Association between primary care physicians’ practice models and referral rates to specialists: A sex-based cross-sectional study
Notice bibliographique
Résumé
Referrals from primary care physicians (PCPs) to specialists are a key function of the primary care system, enabling access to secondary and tertiary health care services. Since the early 2000s, Ontario has implemented substantial primary care practice reforms, however, PCP referral patterns have not been examined since reforms were implemented. We conducted a cross-sectional study in Ontario analyzing PCPs' referral patterns to specialists from January 1 to December 31, 2019. Data from physician administrative and Ontario Health Insurance Plan (OHIP) billing databases were linked for 9,301 PCPs practicing comprehensive primary care with 11.8 million patients. We calculated referral rates per physician and built a multivariable Poisson regression model stratified by physician sex, recognizing that female and male PCPs practice primary care differently, to examine the association between PCP's referral rates and their practice model. Subgroup analyses were conducted for medical, surgical, diagnostics and General Practitioner (GP) focused practice specialties. Overall, PCPs in fee-for-service practice models (females: 0.72, 95% CI 0.71-0.72, males 0.71 95% CI 0.71-0.72) and Family Health Groups (females: 0.90, 95% CI 0.90-0.91, males 0.85 95% CI 0.84-0.85) had lower adjusted relative referral rates compared to those in Family Health Teams (FHTs); a finding that was consistent across medical and surgical specialties. Younger, part-time PCPs, those practicing in urban areas, those with larger roster sizes and those affiliated with a large practice group showed higher adjusted referral rates. Female PCPs tended to be younger (average age 47.2 years vs. 54.1 years for males; SMD=0.56), work part-time (32.1% vs. 17.9% for males; SMD=0.33), had a smaller patient roster (average 1,097.8 rostered patients vs. 1,442.1 for males; SMD=0.44), and had higher unadjusted referral rates to specialists compared to male PCPs (32.9 vs. 29.9 per 100 rostered patients). PCPs' referral patterns in Ontario vary by practice model and PCP's sex. Future changes to primary care practices should account for their effects on referral volumes to specialists.
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 | 0,001 |
| 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 ».