Facilitating refugees’ access to family doctors
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to describe the patient level characteristics of government-assisted refugees (GARs) who had acquired family doctors after leaving specialized refugee clinics (RC). Design/methodology/approach – A cross-sectional telephone survey of GARs households, three to six years after arrival to British Columbia, that used logistic regression to identify GAR characteristics associated with having a family doctor compared to having no family doctor or remaining at a RC. Findings – Contact rate was 52 percent. Of 177 interviewed GARs who spoke 24 languages, only 61 percent had secured a family doctor. Only 57 percent were educated; 46 percent spoke English and 40 percent worked consistently. Central Asian or African origin was associated with having a family doctor (OR 10.6 (95 percent CI 3.1-36.8) for RC; OR 10.3 (95 percent CI 2.2-47.8) for no family doctor). Other significant characteristics in the comparison with GARs at a RC included English proficiency (OR 15.6 (95 percent CI 4.3-56.9)), and female sex (OR 4.0 (95 percent CI 1.4-1.1)). When compared to those with no family doctor, additional significant characteristics included Health Authority A compared to B (OR 8.9, 95 percent CI 1.4-55.6) and having recently visited a doctor (OR 7.7 (95 percent CI 1.9-30.7)). Research limitations/implications – The results of this study are limited to a specific environment and the low contact rate may have resulted in bias. Originality/value – This study described characteristics of GARs who had successfully transitioned to a family doctor and those who had not. This population is rarely captured in studies because they are difficult to contact, ethnically diverse and not proficient in English.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».