Proportion of Female Physicians in a Specialty and Median Annual Payments in Ontario, Canada
Notice bibliographique
Résumé
Importance: It is unclear why areas of medicine overrepresented by female physicians receive lower pay. One theory is devaluation-that work done by women is systematically devalued over time. Objective: To assess whether an increase in the proportion of female physicians in a specialty is associated with a decrease in the median annual payments for that specialty. Design, Setting, and Participants: In 2022, a population-based, repeated cross-sectional analysis was conducted using routinely collected data of all active physicians in Ontario, Canada, from 1992-1993 (1993) to 2019-2020 (2020). For each year, the percentage of female physicians and total annual median payments for each specialty were calculated. Main Outcome and Measure: Random-effects linear regression models were constructed to evaluate the association between the percentage of female physicians and median payments overall. Additionally, we conducted a sensitivity analysis of the subgroup of physicians with 1.0 or more full-time equivalency (FTE). Results: The physician workforce increased from 18 572 in 1993 to 31 374 in 2020 with the number of female physicians increasing from 4151 (22.3%) to 13 205 (42.1%). The mean (SD) age for all physicians in 2020 was 49.6 (12.8) years, and for female physicians in 2020 was 46.2 (11.5) years. Median annual payments increased from $183 033 to $316 570. Regression results found that an absolute 1 percentage point increase in the percentage of female physicians in a specialty over 1 year was associated with a $2183 lower increase in median payments than expected overall (95% CI, -$3932 to -$434; P = .02) and a $3235 lower increase for female physicians (95% CI, -$4888 to -$1583; P < .001), but not for male physicians (-$554; 95% CI, -$2373 to $1264). Conclusion and Relevance: This repeated cross-sectional study did not find evidence to directly support the theory of devaluation, yet the results underscore that occupational segregation, both across and within specialties, is associated with the gender pay gap. These findings should prompt medical leaders and policymakers to reconsider what activities are monetarily valued in medicine and whether these align with what patients and the public consider most valuable from a care perspective.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».