Mapping Physiotherapy Use in Canada in Relation to Physiotherapist Distribution
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 r92 = 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.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 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 ».