Physician Incentives and Sex/Gender Differences in Depression Care: An Interrupted Time Series Analysis
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
Introduction: Physician incentives have been shown to reduce socioeconomic disparities in health care. The impact on sex/gender inequalities, however, has rarely been investigated. Using population-based data, this study investigated sex/gender differences in depression care and the impact of physician incentives. Methods: Deidentified health data from physician claims, hospitals, vital statistics, prescription database, and insurance plan registries in British Columbia, Canada, were examined, retrospectively. Individuals with depression were identified and their use of mental health services was tracked for 12 months following initial diagnosis. The following indicators were assessed: (1) counseling/psychotherapy (CP), (2) minimally adequate counseling/psychotherapy (MACP), (3) antidepressant therapy (AT), and (4) minimally adequate antidepressant therapy (MAAT). Sex/gender differences in these indicators before (January 2005–December 2007) and after (January 2008–December 2012) the introduction of physician incentives were estimated using interrupted time series analysis. Results: Preintervention, the percentage of individuals with depression who received CP was higher among males (CP: 58.4%, MACP: 13.6%) than females (CP: 57.1%, MACP: 10.9%). In contrast, the percentage who received AT was higher among females (AT: 57.7%, MAAT: 47.4%) than males (AT: 53.6%, MAAT: 41.9%). These statistically significant sex/gender differences remain unchanged postintervention. Conclusions: Sex/gender differences in depression care persist despite the introduction of physician incentives.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle