Notice bibliographique
Résumé
INTRODUCTION: Primary care facilities in many parts of Quebec, Canada, are under pressure because of staff shortages, service instability, increasing requests from an aging population, and uncoordinated, fragmented delivery of care. Resource allocation in one facility is often made with an approximate knowledge of its impact on other facilities nearby. Unanticipated overflows may affect patients' health and staff morale. The main purpose of this study was to use consolidated administrative data in order to find the factors that better explain the choice of patients in Val Saint-Francois, a rural area of Quebec. METHODS: Administrative data relating to medical visits were linked to 6 primary care facilities over a period of 4 years. A classification tree algorithm generated users' profiles of facility choice, which was explored for frequency of use and related changes in preference, and for changes in levels of service. The factors used were: age, sex, postal c ode, and date of visit. RESULTS: Community was the major explanatory factor for patients' choice of facility, probably reflecting a tendency to use the closest facility. Older men and women tended to use appointment-based clinics more regularly than those who were younger. It was noted that younger men selected emergency rooms more often than young women, with the difference cancelling out as they age. The classification tree determined age thresholds for changing behaviours but also found dates when profiles changed within the same age-sex group. Later examination of service levels revealed that profile changes were subsequent to modifications in service operating hours. CONCLUSIONS: Evidence was found that predisposing factors (age and sex) with community enabling factors (distance) affected people's choice of healthcare facility. Changes in some patients' profiles corresponded to changes in service levels, proving that a modification of service hours in one facility affects demand in other facilities in a way that can be quantified. It is important to measure the effect of service changes on patients' choices for a more efficient allocation of resources.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».