Sex-specific differences in physical health and health services use among Canadian Veterans: a retrospective cohort study using healthcare administrative data
Notice bibliographique
Résumé
INTRODUCTION: Military occupations have historically been, and continue to be, male dominated. As such, female military Veteran populations tend to be understudied, and comparisons of the physical health status and patterns of health services use between male and female Veterans are limited outside of US samples. This study aimed to compare the physical health and health services use between male and female Veterans residing in Ontario, Canada. METHODS: A retrospective cohort of 27 058 male and 4701 female Veterans residing in Ontario whose military service ended between 1990 and 2019 was identified using routinely collected administrative healthcare data. Logistic and Poisson regression models were used to assess sex-specific differences in the prevalence of select physical health conditions and rates of health services use, after multivariable adjustment for age, region of residence, rurality, neighbourhood median income quintile, length of service in years and number of comorbidities. RESULTS: The risk of rheumatoid arthritis and asthma was higher for female Veterans compared with male Veterans. Female Veterans had a lower risk of myocardial infarction, hypertension and diabetes. No sex-specific differences were noted for chronic obstructive pulmonary disease. Female Veterans were also more likely to access all types of health services than male Veterans. Further, female Veterans accessed primary, specialist and emergency department care at greater rates than male Veterans. No significant differences were found in the sex-specific rates of hospitalisations or home care use. CONCLUSIONS: Female Veterans residing in Ontario, Canada have different chronic health risks and engage in health services use more frequently than their male counterparts. These findings have important healthcare policy and programme planning implications, in order to ensure female Veterans have access to appropriate health 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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 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 ».