Persistent Inequality in Access to Rheumatology Care for Females After the COVID‐19 Pandemic
Notice bibliographique
Résumé
OBJECTIVE: To examine the effect of biological sex on wait-times to first rheumatology appointment in a central triage system before, during and after the COVID-19 pandemic. METHODS: De-identified data of patients referred to one centralised Rheumatology referral centre between November 2019 and December 2023 were extracted from the electronic medical record. Variables collected and analysed included time from referral to first appointment, biological sex, referral period, triage urgency, age, and geographic location. RESULTS: 19,681 referrals were identified. In the pre-COVID period, there was no significant difference in wait-times by biological sex or age. After adjusting for triage level, age and geographic location, females waited significantly longer in the peri-COVID period versus males (10.2 days, 95% CI 7.1, 13.3), which persisted in the post-COVID period (7.5 days, 95% CI 4.0, 11.1). Similarly, younger patients waited longer than older patients in the peri-COVID period (4.7 fewer days per decade increase in age (95% 3.9, 5.6)). This age discrepancy persisted through the post-COVID period (2.3 days, 95% CI 1.6, 3.5). Geographic location was a significant predictor of wait-times in the post-COVID period, with those outside of Edmonton waiting longer than in Edmonton. Once the change in referral pattern from Northwest Territories was accounted for, this discrepancy ceased. CONCLUSIONS: Female and younger patients have been disproportionately impacted by wait-time increases during the COVID-19 pandemic, with minimal improvements observed during the post-COVID period. These findings should prompt further investigation into the underlying causes of these observed inequities in access to rheumatology care to identify solutions.
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 | 0,000 | 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 | 0,000 |
| 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 ».