Distance, access and equity: a cross-sectional geospatial analysis of disparities in access to primary care for French-only speakers in Ottawa, Ontario
Notice bibliographique
Résumé
BACKGROUND: Although language concordance between patients and primary care physicians results in better quality of care and health outcomes, little research has explored inequities in travel burden to access primary care people of linguistic minority groups in Canada. We sought to investigate the travel burden of language-concordant primary care among people who speak French but not English (French-only speakers) and the general public in Ottawa, Ontario, and any inequities in access across language groups and neighbourhood ruralities. METHODS: Using a novel computational method, we estimated travel burden to language-concordant primary care for the general population and French-only speakers in Ottawa. We used language and population data from Statistics Canada's 2016 Census, neighbourhood demographics from the Ottawa Neighbourhood Study, and collected the main practice location and language of primary care physicians from the College of Physicians and Surgeons of Ontario. We measured travel burden using Valhalla, an open-source road-network analysis platform. RESULTS: < 0.001, interquartile range 0.26-1.17 min), but inequities in travel burden between groups were larger among people living in rural neighbourhoods. INTERPRETATION: French-only speakers in Ottawa face modest - but statistically significant - overall inequities in travel burden when accessing primary care, compared with the general population, and higher inequities in specific neighbourhoods. Our results are of interest to policy-makers and health system planners, and our methods can be replicated and used as comparative benchmarks to quantify access disparities for other services and regions across Canada.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,002 |
| 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 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 ».