Notice bibliographique
Résumé
BACKGROUND: Few studies have examined the influence of physician workplace conditions on health care disparities. We compared 96 primary care clinics in New York, New York, and in the upper Midwest serving various proportions of minority patients to determine differences in workplace organizational characteristics. METHODS: Cross-sectional data are from surveys of 96 clinic managers, 388 primary care physicians, and 1701 of their adult patients with hypertension, diabetes mellitus, or congestive heart failure participating in the Minimizing Error, Maximizing Outcome (MEMO) study. Data from 27 clinics with at least 30% minority patients were contrasted with data from 69 clinics with less than 30% minority patients. RESULTS: Compared with clinics serving less than 30% minority patients, clinics serving at least 30% minority patients have less access to medical supplies (2.7 vs 3.4, P < .001), referral specialists (3.0 vs 3.5, P < .005) on a scale of 1 (none) to 4 (great), and examination rooms per physician (2.2 vs 2.7, P =.002) . Their patients are more frequently depressed (22.8% vs 12.1%), are more often covered by Medicaid (30.2% vs 11.4%), and report lower health literacy (3.7 vs 4.4) on a scale of 1 (low) to 5 (high) (P < .001 for all). Physicians from clinics serving higher proportions of minority populations perceive their patients as frequently speaking little or no English (27.1% vs 3.4%, P =.004), having more chronic pain (24.1% vs 12.9%, P < .001) and substance abuse problems (15.1% vs 10.1%, P =.005), and being more medically complex (53.1% vs 39.9%) and psychosocially complex (44.9% vs 28.2%) (P < .001 for both). In regression analyses, clinics with at least 30% minority patients are more likely to have chaotic work environments (odds ratio, 4.0; P =.003) and to have fewer physicians reporting high work control (0.2; P =.003) or high job satisfaction (0.4; P =.01). CONCLUSION: Clinics serving higher proportions of minority patients have more challenging workplace and organizational characteristics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,067 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».