Universal Health Insurance and Equity in Primary Care and Specialist Office Visits: A Population-Based Study
Notice bibliographique
Résumé
PURPOSE: Universal coverage of physician services should serve to reduce socioeconomic disparities in care, but the degree to which a reduction occurs is unclear. We examined equity in use of physician services in Ontario, Canada, after controlling for health status using both self-reported and diagnosis-based measures. METHODS: Ontario respondents to the 2000-2001 Canadian Community Health Survey (CCHS) were linked with physician claim files in 2002-2003 and 2003-2004. Educational attainment and income were based on self-report. The CCHS was used for self-reported health status and Johns Hopkins Adjusted Clinical Groups was used for diagnosis-based health status. RESULTS: After adjustment, higher education was not associated with at least 1 primary care visit (odds ratio [OR] = 1.05; 95% confidence interval [CI], 0.87-1.24), but it was inversely associated with frequent visits (OR = 0.77; 95% CI, 0.65-0.88). Higher education was directly associated with at least 1 specialist visit (OR = 1.20; 95% CI, 1.07-1.34), with frequent specialist visits (OR = 1.21; 95% CI, 1.03-1.39), and with bypassing primary care to reach specialists (OR = 1.23, 95% CI 1.02-1.44). The largest inequities by education were found for dermatology and ophthalmology. Income was not independently associated with inequities in physician contact or frequency of visits. CONCLUSIONS: After adjusting for health status, we found equity in contact with primary care for educational attainment but inequity in specialist contact, frequent visits, and bypassing primary care. In this setting, universal health insurance appears to be successful in achieving income equity in physician visits. This strategy alone does not eliminate education-related gradients in specialist care.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».