Geographic Variation Immediate and Delayed Breast Reconstruction Utilization in Ontario, Canada and Plastic Surgeon Availability: A Population‐Based Observational Study
Notice bibliographique
Résumé
BACKGROUND: Utilization of breast reconstruction (BR) is low in many jurisdictions. We studied the geographical and surgical workforce factors that contribute to access and use of BR using a small area analysis approach with a geographical unit of analysis. METHODS: We linked administrative data from Ontario Canada to calculate the age-standardized rates for immediate BR (IBR) (same time as mastectomy) between 2002 and 2011, and delayed BR (DBR) (within 3 years of mastectomy) for each county. The influence of plastic surgeon access on variation in county rates of BR was examined using Poisson random effects models. RESULTS: 12,663 women underwent mastectomy in Ontario; 2,948 had BR within 3 years (23.3%). Over 50% of the counties had no access to any plastic surgeon. County IBR rates ranged from 0 to 21.5%; plastic surgeon access explained 46% of geographic variation (p<0.0001). IBR rates in counties with very low, low, and moderate access to plastic surgeons were significantly less than counties with high access (relative rate [RR] 0.48 [95% confidence interval (CI) 0.35-0.66], RR 0.61 [CI 0.43-0.87] and RR 0.70 [CI 0.52-0.96], respectively) after adjusting for age and county socioeconomic characteristics. For DBR, while there was less geographic variation, very low access counties demonstrated reduced rates (RR 0.60 [CI 0.47-0.76]). INTERPRETATION: Geographic access to a plastic surgeon is a major determinant of BR. Targeted interventions for regions without high access to plastic surgeons may improve overall rates and reduce geographic disparities in care, particularly for IBR.
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 | 0,001 | 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 ».