Regional Variations in the Public Delivery of Bariatric Surgery
Notice bibliographique
Résumé
OBJECTIVE: We evaluated regional access to bariatric surgery within the high-volume, center of excellence (COE) model of Ontario, Canada. BACKGROUND: In 2009, Ontario implemented Canada's first regionalized bariatric surgical care system based on a COE. Because of this, a small number of COEs service a large population and geographic area. METHODS: This study identified all patients older than 18 years, who received bariatric surgery from April 2009 to March 2012. Morbid obesity-adjusted rates of surgery were then calculated for each neighborhood, and a cluster analysis was performed to determine aggregation of neighborhoods with significantly higher (hot spots) or lower (cold spots) rates of surgery. Ordinal logistic regression was used to identify independent predictors of neighborhood access. RESULTS: The cluster analysis identified 49 cold spot neighborhoods, representing 1.7 million people. Forty of these neighborhoods lie within a relatively small area that contains 3 of the 4 COEs. In the multivariate analysis, for every 100 km from the nearest COE, neighborhoods were 0.88 times as likely to live in a hot spot [95% CI (confidence interval): 0.80-0.97; P = 0.012]. In addition, having a bariatric facility within the same administrative health region as the neighborhood made it almost twice as likely to be a hot spot, odds ratio = 1.75 (95% CI: 1.10-2.79; P = 0.018). Low neighborhood socioeconomic status was not associated with decreased delivery of care. CONCLUSIONS: This study identified an unequal delivery of bariatric surgery within Ontario. Both longer distances and not having a bariatric facility within the same health region had significant negative effects. Further research into patient attitudes and referral patterns is required to better characterize these disparities.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».