Exploration et analyse éthique des facteurs influencant la priorisation des patients, ainsi que la fréquence et la durée des traitements en physiothérapie musculosquelettique
Bibliographic record
Abstract
Contexte : Dans un contexte de vieillissement de la population où la prévalence de maladies chroniques augmente, les besoins en matière de physiothérapie croissent également. Les professionnels de la physiothérapie sont couramment impliqués dans les décisions concernant l’utilisation des services, car cette demande est couplée à une rareté des ressources. L’allocation des ressources implique les notions de priorisation des patients, ainsi que la fréquence et la durée des traitements. De nombreux facteurs cliniques et non cliniques peuvent influencer les décisions d’allocation des ressources en physiothérapie et ceux-ci ne sont pas tous justifiables. Deux études préliminaires nous aident à mieux appréhender la complexité de la pratique associée aux décisions d’allocation des ressources. Objectif : Cette thèse propose une exploration et une analyse éthique des facteurs pouvant influencer la priorisation des patients, ainsi que la fréquence et la durée des traitements en physiothérapie musculosquelettique. Méthode : Ce projet est ancré dans une approche de bioéthique empirique. Le volet empirique de ce projet utilise un devis mixte, soit un sondage pancanadien fait à l’aide de vignettes cliniques et des entrevues semi-structurées. Une analyse conceptuelle permet d’intégrer les résultats quantitatifs et qualitatifs à l’aide de deux cadres d’analyse distincts, soit l’angle de la justice distributive et l’angle de la complexité. Résultats : Les résultats n’ont pas permis d’identifier de biais en lien avec les caractéristiques personnelles du patient (âge, sexe, statut socioéconomique) lors de l’allocation des ressources pour un patient avec une même affection clinique. Par contre, l’attitude et le comportement des patients ont une influence sur la distribution des services. Bien que les professionnels de la physiothérapie n’aient pas de biais explicites en lien avec la chronicité de l’affection ou le statut d’assurance de leur patient, ce projet confirme que certaines populations sont défavorisées lors du processus de priorisation en physiothérapie, soit les patients souffrant de douleur chronique et les patients qui ne sont pas couverts par des assurances. De plus, ce projet indique que la distribution des services est étroitement liée à la source de financement associée aux paiements des traitements. En effet, un patient ayant subi un accident de travail couvert par un agent payeur reçoit une plus grande fréquence de traitements. Conclusion : Les professionnels de la physiothérapie ne constatent pas les biais qui teintent leurs décisions d’allocation des ressources. Cela conduit à la fois à du surtraitement pour certains groupes et du sous-traitement pour d’autres. Ces iniquités mettent en évidence le besoin de faire des études supplémentaires en vue de l’élaboration de politiques nationales et provinciales permettant d’assurer l’équité dans l’allocation des ressources en physiothérapie. Il est impératif que les facteurs influençant la priorisation des patients, ainsi que la fréquence et la durée des traitements en physiothérapie musculosquelettique, soient minutieusement examinés pour que les modèles décisionnels soient éthiquement justifiés et appliqués de façon transparente, systématique et responsable.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.071 | 0.145 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".