Mapping Physiotherapy Use in Canada in Relation to Physiotherapist Distribution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: In this cross-sectional study, we examined the distribution of physiotherapists at the health region level across Canada in relation to self-reported physiotherapy use across the provinces and territories. Method: We drew on two data sources: the physiotherapy use question from the 2014 Canadian Community Health Survey and physiotherapists’ primary employment information, obtained from the Canadian Institute of Health Information’s 2015 Physiotherapist Database. We then applied geospatial mapping and Pearson’s correlation analysis to the resulting variables. Results: Physiotherapy use is moderately associated with the distribution of physiotherapists (Pearson’s r 92 = 0.581, p < 0.001). The use and distribution variables were converted into three categories using SDs of 0.5 from national means as cut-off values. Cross-classification between the variables revealed that 15.2% of health regions have a high use–high distribution ratio; 18.5% have a low use–low distribution ratio; 4.3% have a high use–low distribution ratio; 2.2% have a low use–high distribution ratio; and 60.0% have medium use–medium distribution ratio. Conclusions: The distribution of physiotherapists and self-reported physiotherapy use varies across health regions, indicating a potential inequality in geographical access. Given that most provinces have a regionalized approach to health human resources and health service delivery, these findings may be helpful to managers and policy-makers and may allow them to make a more granular comparison of intra- and inter-provincial differences and potential gaps.
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.
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 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle