A Comprehensive Assessment of Family Physician Gender and Quality of Care
Notice bibliographique
Résumé
BACKGROUND: Studies evaluating primary care quality across physician gender are limited to primary and secondary prevention. OBJECTIVES: Investigate the relationship between family physician gender and quality of primary care using indicators that cover 5 key dimensions of primary care. RESEARCH DESIGN: Cross-sectional analysis using linked health administrative datasets (April 1, 2008 to March 31, 2010). SUBJECTS: All family physicians working in the 3 main primary care models in the province of Ontario (Canada), providing general care and having a panel size >1200. MEASURES: Indicators of cancer screening (3), chronic disease management (9), continuity (2), comprehensiveness (2), and access (5). RESULTS: A total of 4195 physicians (31% female) were eligible. Adjusting for provider and patient factors, patients of female physicians were more likely to have received recommended cancer screening (odds ratios [95% confidence interval (CI)] (OR) range: 1.24 [1.18-1.30], 1.85 [1.78-1.92]) and diabetes management (OR: 1.04 [1.01-1.08], 1.28 [1.05-1.57]). They had fewer emergency room visits (rate ratio [95% CI] (RR) range: 0.83 [0.79-0.87]) and hospitalizations (RR: 0.89 [0.86-0.93]), and higher referrals (RR: 1.12 [1.09-1.14]). There was evidence of effect modification by patient gender (female vs. male) for hospitalization (RR: 0.74 [0.70-0.79] vs. 0.96 [0.90-1.02]) and emergency room visits (RR: 0.84 [0.81-0.88] vs. 0.98 [0.94-1.01]). Lower emergency room visits were also more evident in more complex patients of female physicians. There were no significant differences in the continuity or comprehensiveness measures. CONCLUSIONS: The indicators assessed in this study point to a benefit for patients under the care of female physicians. Potential explanations are discussed.
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 | 0,000 | 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 ».