Trends in payments among male and female ophthalmologists in Ontario from 1992 to 2018.
Notice bibliographique
Résumé
OBJECTIVE: To examine sex differences in Ontario Health Insurance Plan (OHIP) payments from 1992 to 2018. DESIGN: Population-based observational study. PARTICIPANTS: Ophthalmologists submitting claims to OHIP from 1992 to 2018. METHODS: Physician billing data over 27 years (1992-2018) were analyzed for yearly number of ophthalmologists, OHIP payments, distinct patients, and patient visits. RESULTS: Yearly median OHIP payments to female ophthalmologists were less than to male ophthalmologists with a gap ratio of 0.55 in 1992 to 0.73 in 2018. Stratifying by full-time equivalent (FTE), there was little difference in median payments between males and females for 1 FTE. Median female-to-male payments ratio varied from 0.80 to 1.16 for <1 FTE and 1.14 to 0.84 for >1 FTE from 1992 to 2018. Among female ophthalmologists, 72.7% and 52.9% were <1 FTE and 11.4% and 19.2% were >1 FTE in 1992 and 2018, respectively. In comparison, for male ophthalmologists, 35.7% and 45.6% were <1 FTE and 43.4% and 45.6% were >1 FTE in 1992 and 2018, respectively. Overall, male ophthalmologists had more patients and patient visits than female ophthalmologists, but there was little difference between male and female ophthalmologists for 1 and >1 FTE. The results for <1 FTE varied by year. CONCLUSIONS: Overall, female ophthalmologists have lower OHIP payments compared with males, but there was little difference for those stratified to 1 FTE. This overall payments difference by sex is largely explained by the higher proportion of <1 FTE females, lower proportion of >1 FTE females, and higher payments for >1 FTE males.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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) | 0,010 | 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 ».