Barriers and Lack of Access to Veterinary Care in Canada 2022
Notice bibliographique
Résumé
Introduction: Despite concerns about access to veterinary care in Canada, there are no previously published national survey data. The study aimed to estimate the prevalence of barriers to veterinary care faced by Canadian dog and cat owners, and to identify associated factors. Methods: This was a national online survey conducted in mid-2022, the third year of the COVID-19 pandemic. It was nationally representative of English and French-speaking Canadian adults as regards region, age, and sex. Results: Eighteen per cent of the respondents (440/2,500) could not access wanted or needed preventative veterinary care in the past 12 months; 12% (305/2,500) could not access sick care; and 8% (195/2,500) could not access emergency care. The most frequent barriers were the inability to afford care (preventative – 124/440, 28% of those who were unable to access care; sick – 75/305, 25%; emergency – 34/195, 17%); and the inability to obtain an appointment (preventative – 95/440, 22% of those who were unable to access care; sick – 80/305, 26%; emergency – 47/195, 24%). Twenty-one per cent (522/2,500) could not access other pet needs, most frequently pet food (43% of those who lacked access); grooming (34%); and training (28%). Recent immigrants (<5 years) and young people (18–34 years old) were more likely to report barriers. Affordability and appointment availability were the two most frequently occurring barriers. Conclusions: This survey identified a large number of pet owners who faced barriers to veterinary care. There is a need for industry leaders, educators and regulators to help support initiatives to expand access to care.
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 | 0,002 | 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 | 0,000 | 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) | 0,000 | 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 ».