Factors Associated with Performance Among Optometrists in Alberta, Canada:
Notice bibliographique
Résumé
Background: Risk and protective factors influencing the performance of health professionals are of significant interest to regulators and the public. We aimed to develop a predictive model to identify factors influencing optometrist performance, providing insights for improving regulatory oversight and supporting targeted interventions.Methods: In our retrospective cohort study, we analyzed data from optometrists registered between 1987 and 2019 in the Alberta College of Optometrists Continuing Competence (CC) program to develop a predictive model for CC practice review outcome. We evaluated reviews using self-assessments, onsite visits, and clinical evaluations, with pass or fail status as the primary outcome. Key covariates included sex, age, training location, and previous review scores. We used a generalized additive model with a logit link and assessed its performance using five-fold cross-validation. Sensitivity and specificity were assessed with a holdout testing set.Results: We analyzed 2,075 CC reviews of 916 optometrists. Of these reviews, 75.6% received a passing grade. Practitioners were primarily male (51.7%, 48.3% female) and trained in the United States (49.8%) or Canada (46.2%). Significant predictors of review outcome were sex, training location, previous review score, follow-up score, age (included as a nonlinear effect varying by sex), and years since last review. In developing a selection tool for future assessments, we replaced age with years since graduation and removed training location. Among the 388 practitioners selected for assessment since 2021, practitioners flagged as high risk had significantly higher failure rates (16.1%) compared with practitioners selected randomly (3.0%).Discussion: Male sex, years since graduation, and poor outcomes on previous reviews emerged as significant predictors of failing an assessment. The developed selection tool effectively identified high-risk practitioners for reassessment, supporting fair and efficient resource allocation in the CC program.Conclusions: Key factors influencing CC review outcomes were identified and a selection tool was developed to ensure fairness across subgroups defined by age and sex.
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 | 0,010 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,026 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».