Understanding intersectional inequality in access to primary care providers using multilevel analysis of individual heterogeneity and discriminatory accuracy
Notice bibliographique
Résumé
BACKGROUND: Despite the Canadian healthcare system's commitment to equity, evidence for disparate access to primary care (PC) providers exists across individual social identities/positions. Intersectionality allows us to reflect the realities of how social power shapes healthcare experiences at an individual's interdependent and intersecting social identities/positions. The objectives of this study were to determine: (1) the extent to which intersections can be used classify those who had/did not have a PC provider; (2) the degree to which each social identity/position contributes to the ability to classify individuals as having a PC provider; and (3) predicted probabilities of having a PC provider for each intersection. METHODS AND FINDINGS: Using national cross-sectional data from 241,445 individuals in Canada aged ≥18, we constructed 320 intersections along the dimensions of gender, age, immigration status, race, and income to examine the outcome of whether one had a PC provider. Multilevel analysis of individual heterogeneity and discriminatory accuracy, a multi-level model using individual-level data, was employed to address intersectional objectives. An intra-class correlation coefficient (ICC) of 23% (95%CI: 21-26%) suggests that these intersections could, to a very good extent, explain individual variation in the outcome, with age playing the largest role. Not all between-intersection variance in this outcome could be explained by additive effects of dimensions (remaining ICC: 6%; 95%CI: 2-16%). The highest intersectional predicted probability existed for established immigrant, older South Asian women with high income. The lowest intersectional predicted probability existed for recently immigrated, young, Black men with low income. CONCLUSIONS: Despite a "universal" healthcare system, our analysis demonstrated a substantial amount of inequity in primary care across intersections of gender, age, immigration status, race, and income.
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 | 0,009 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».