MétaCan
Menu
Retour à la cohorte
Enregistrement W1991372790 · doi:10.1097/01.mlr.0000053971.89707.97

Patient, Physician, and Community Factors Affecting Referrals to Specialists in Ontario, Canada

2003· article· en· W1991372790 sur OpenAlexaffabout
Benjamin T.B. Chan, Peter C. Austin

Notice bibliographique

RevueMedical Care · 2003
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueHealthcare Systems and Technology
Établissements canadiensInstitute for Clinical Evaluative Sciences
Organismes subventionnairesnon disponible
Mots-clésReferralMedicineFamily medicinePopulationPrimary care physicianPoisson regressionHealth careCommunity healthPrimary careDemographyPublic healthEnvironmental healthNursing

Résumé

récupéré en direct d'OpenAlex

QUESTION ADDRESSED: This population-based study examines the factors affecting referrals by primary care physicians (PCPs) to specialists. MATERIALS AND METHODS: Multilevel Poisson models were used to test the impact of patient, physician and community-level variables on the referral rate (the number of office-based specialist referrals per patient by the patient's customary PCP in fiscal year 1997/98). Patients from each of 6972 PCPs with sufficient data in Ontario were examined. RESULTS: The average patient had 0.56 referrals per year (range 0-61). Referrals were higher at ages 1 and 77 to 78, and among women of childbearing age. Chronic disease variables were strongly correlated with referral rates. Patients in poor neighborhoods had more referrals, because they had more chronic diseases. After controlling for disease, individuals in the top 9% wealthiest neighborhoods had 4% more referrals. Female physicians made 8% more referrals than men. Older physicians referred more because they saw older patients; after controlling for patient age, physician age had no effect. Referrals were 14% higher in cities with medical schools compared with other cities and 12% lower in small towns. However, local specialist supply was unrelated to referral rates. CONCLUSION: This study improves our understanding of the impact of physician gender and age on referrals. It suggests that community type, not specialist supply, predicts variations in referrals. Lastly, it identifies preferential access to specialists among high-income earners, even within Canada's universal health insurance system. However, this effect is modest, suggesting that the system does provide reasonably equitable access to referrals.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,172

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,031
Tête enseignante GPT0,253
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations106
Publié2003
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedical CareMême sujetHealthcare Systems and TechnologyTravaux en français237 207