<p>Factors associated with waiting times for persons with rheumatic conditions in multidisciplinary pain treatment facilities</p>
Notice bibliographique
Résumé
OBJECTIVES: Access to multidisciplinary pain treatment facilities (MPTF) in Canada is limited by long waiting lists. However, little is known about the factors associated with access to MPTF specifically for persons with rheumatic conditions. This study aimed to 1) determine the waiting time for services in publicly funded MPTF for persons with rheumatic conditions in the province of Quebec, Canada, as well as 2) identify the factors associated with waiting time. METHODS: This study was conducted using the Quebec Pain Registry, a large database of patients who received pain management services in MPTF. Sociodemographic and clinical variables were assessed for potential associations with waiting time. Descriptive, bivariate analyses and multiple linear regression analyses were conducted. RESULTS: A total of 3,665 patients with rheumatic conditions were identified within the registry. Patients had a mean age of 55±14 years and the majority were women (65.7%). The average waiting time was 241.2±308.9 days (median=126), with 34.2% of the patients waiting longer than 6 months before having a first appointment. Results indicate that longer pain duration, lower household income, pain onset following a motor vehicle accident, having fibromyalgia, being on permanent disability or unemployed and being referred by a family physician (versus specialist) were significantly associated with longer waiting times. CONCLUSIONS: Many patients with rheumatic conditions (especially fibromyalgia) face long delays before receiving services in Quebec's MPTF. This study identified several factors associated with waiting time and emphasizes the need to improve access to pain management services.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».