A sex- and gender-based analysis plus of frequent healthcare utilization among individuals living with chronic pain: a cohort study
Notice bibliographique
Résumé
Abstract Background Chronic pain (CP) affects up to 1 in 4 individuals and disproportionately impacts women, gender minorities, and other equity-deserving groups, highlighting the need for an equity-oriented approach to provide optimal care. The relationship between sex, gender, and frequent healthcare utilization remains underexplored among individuals living with CP. Therefore, this study aimed to examine the associations between sex, gender and frequent medical care utilization among persons living with CP. Methods The COPE Cohort, composed of persons living with CP, was formed by linking a web-based questionnaire with health administrative databases. Frequent medical care users were defined as the top 10% of our sample with the highest number of all-cause medical visits in the year following the completion of the questionnaire (including outpatient and emergency department visits). Sex (male / female), gender identity (men / women / gender-diverse), and gender-stereotyped personality traits (masculine / feminine / androgynous / undifferentiated; Bem Sex-Role Inventory) were analyzed. Cluster analysis was used to create intersecting sociodemographic subgroups (incorporating sex, gender, region of residence, country of birth, education level, employment status, and age). Results Among 895 participants, 95 were classified as frequent medical care users (10% cut-off: ≥13 visits/year). The proportion of frequent users varied across sex (male: 3.9% vs. female: 12.0%, p = 0.003) and gender identity (men: 4.0% vs. women: 12.1% vs. gender-diverse: 0%, p = 0.009), but not by gender-stereotyped personality traits subgroups. Multivariable logistic regression showed that the subgroup labelled ‘unemployed more educated women’ (compared to ‘men’) had increased odds of being frequent medical care users (OR: 3.93, 95%CI: 1.44–10.80). Conclusion Based on our results, we emphasize the need for clinicians and decision-makers to adopt an integrated approach that considers not only clinical, but importantly, socioeconomic profiles for effective healthcare.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,023 | 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 ».