MétaCan
Menu
← Retour à la cohorte
Enregistrement W4414752088 · doi:10.1186/s12913-025-13471-5

Prevalence and characteristics of medical and rehabilitation utilization among Canadians with arthritis from 2001 to 2018: a cross-sectional population-based study

2025· article· en· W4414752088 sur OpenAlexafffundabout
Sheilah Hogg‐Johnson, Dan Wang, Jessica J. Wong, Silvano Mior, Pierre Côté

Notice bibliographique

RevueBMC Health Services Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueRheumatoid Arthritis Research and Therapies
Établissements canadiensWestern UniversityOntario Tech UniversityPublic Health OntarioCanadian Memorial Chiropractic CollegeUniversity of Toronto
Organismes subventionnairesCanadian Institutes of Health ResearchHealth CanadaOntario Chiropractic Association
Mots-clésRehabilitationPsychological interventionHealth careHealth administrationPublic healthArthritisNursing researchPoisson regression

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Arthritis covers a range of chronic diseases presenting as joint pain and inflammation with prevalence of 20% in Canadians. Treatment guidelines for arthritis depend upon the type of arthritis but most include recommendations for rehabilitation interventions designed to optimize functioning and reduce disability. We set out to estimate the prevalence of healthcare utilization with different providers and to explore factors associated with utilization of different providers among Canadians with arthritis. METHODS: This population-based study used Canadian Community Health Survey data (2001–2018) restricted to respondents with arthritis (≥12 years). We used self-reported consultation with healthcare providers (medical doctor, chiropractor, physiotherapist, nurse, psychologist) (2001–2010), and self-reported regular healthcare provider (2015–2018). We calculated the 12-month prevalence of utilization with providers, and used modified Poisson regression to assess predisposing (e.g. age, sex, education), enabling (e.g. income, province) and need (e.g. self-percieved health) factors associated with utilization of providers. RESULTS: From 2001–2010 and 2015–2018, respectively, prevalence of utilization of medical doctors was 92.0% (95%CI: 91.7–92.2%) and 91.0% (95%CI: 90.5–91.5%); chiropractors 13.1% (12.8–13.4%) and 9.6% (9.1–10.1%); physiotherapists 14.5% (14.1–14.8%) and 9.4% (8.9–9.9%); nurses 14.2% (13.9–14.5%) and 7.5% (7.2–7.9%); psychologists 3.0% (2.8–3.1%) and 3.9% (3.5–4.2%). Females were more likely to see any provider. Users of chiropractic care were less likely to be smokers and more physically active with greater utilization in the western provinces than in the east. Those with poorer self-perceived health were more likely to see physiotherapists, nurses and psychologists. Consultation with a nurse (2001–2010) was more likely in the northern territories, while regular care from a nurse (2015–2018) was more likely in older age groups. CONCLUSIONS: Canadians with arthritis were most likely to see medical doctors. Characteristics of healthcare utilizers varied by provider type. Geographical variation in utilization of chiropractors and physiotherapists likely related to differences by province and over time in what provincial health insurance covered while geographical variation in utilization of nurses was likely related to the lack of availability of medical doctors. Findings inform the need to strengthen healthcare delivery for Canadians, perhaps providing better access to providers of rehabilitation interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,006
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,410
Écart entre enseignants0,377 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services Research→Même sujetRheumatoid Arthritis Research and Therapies→Travaux en français237 207→