Understanding disparities in primary care patient experience
Notice bibliographique
Résumé
OBJECTIVE: To understand disparities in primary care patient experience. DESIGN: A serial cross-sectional study was conducted to understand disparities in patient experience at 2 time points (2014 and 2016). Disparities related to age, gender, neighbourhood income, and self-rated health were explored using 3 analytic approaches: stratification, logistic regression, and relative comparison across multiple demographic variables. SETTING: A multisite family health team in Toronto, Ont. PARTICIPANTS: Patients in the family medicine practice who completed e-mail surveys in 2014 (n = 1171, 19% response rate) and 2016 (n = 1823, 15% response rate). MAIN OUTCOME MEASURES: Patient-reported access (timely access when sick, access after hours) and patient-centredness (opportunity to ask questions, involvement in care decisions, enough time with provider). RESULTS: Performance for all measures improved between 2014 and 2016, with the greatest absolute improvement seen in access after hours (61% in 2014; 75% in 2016). Patients residing in low-income neighbourhoods reported worse patient experiences than those in high-income neighbourhoods did, as did patients with poor versus excellent self-rated health, even after adjustment for other variables. For example, in 2016, 60% of patients residing in low-income neighbourhoods reported timely access when sick versus 70% in high-income neighbourhoods (adjusted odds ratio of 0.67, 95% CI 0.47 to 0.95); 60% of patients with poor or fair self-rated health reported timely access when sick versus 72% with excellent self-rated health (adjusted odds ratio of 0.54, 95% CI 0.35 to 0.84). Comparing across demographic groups, patients with excellent self-rated health and poor or fair self-rated health reported the best and worst experiences, respectively, for all measures. In 2016, the average disparity between subgroups was largest for access after hours. CONCLUSION: In this setting, patient experience was worse for patients in lower-income neighbourhoods and those with poor or fair self-rated health. Access after hours demonstrated the greatest overall absolute improvement but also the greatest widening of disparities.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».