Payment method as a predictor of daily distress experienced by physicians
Notice bibliographique
Résumé
Background: Physicians face intrinsic tensions when practicing medicine; therefore, extrinsic factors that could affect distress, such as payment methods, need to be assessed. The study objectives were to: compare levels of distress by payment method, identify factors predicting distress in a two-level regression model, and explore interactions between predictors of distress and payment method. Methods: A cross-sectional study was conducted among physicians in the Saskatoon Health Region, Saskatchewan. Physicians completed a pre-tested questionnaire about their distress. Analysis of variance was used to compare distress levels of physicians paid by fee-for-service (FFS), alternative payment plans (APPs), and blended methods. A mixed linear regression model was built to predict distress with geographical area of practice as the random component. Demographics, workload, complexity of patients, payment method, career satisfaction, and practice profile were the independent variables. The interactions between payment method and predictors of daily distress were evaluated. Results: A total of 382 physicians participated (response rate = 48.1%). Response bias was tested and found to be negligible. In the multivariable analysis, payment method was a predictor of distress which interacted with the proportion of complex cases. Lower levels of distress were found among physicians who had more than 75% of patients with complex conditions and were paid by APPs, compared to those paid by FFS and blended methods. Career satisfaction was found to be an important predictor. Nine percent of the outcome variation was explained by geographic area of practice. Conclusions: Payment method is a predictor of distress when adjusting by confounders, interacting with proportion of complex cases. APPs may promote provision of care for patients with complex conditions. Career satisfaction can be considered a protective indicator of distress. Practice environment influences distress experienced by physicians.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».