L’accès adapté au sein du réseau de cliniques universitaires de l’Université de Montréal : une étude observationnelle
Bibliographic record
Abstract
Objectifs : Décrire et comparer les cliniques universitaires de médecine de famille (CUMF) du réseau de l’Université de Montréal ayant implanté ou non l’Accès adapté, en regard des dimensions de l’accès aux soins centré sur le patient Méthode : Une étude observationnelle transversale à visée descriptive a été conduite à l’aide d’une méthodologie quantitative. Un questionnaire visant à recenser les caractéristiques organisationnelles à travers les dimensions de l’accès aux soins primaires a été complété par le médecin-chef de chacune des 18 CUMF du réseau de l’Université de Montréal. Des comparaisons descriptives ont ensuite permis d’observer des différences entre les CUMF identifiées comme utilisant l’Accès adapté et celles n’ayant pas implanté le modèle. Résultats : Des 18 CUMF composant la population cible, 12 ont mentionné avoir implanté l’Accès adapté et sont distinctes en plusieurs points des six autres. Elles sont d’abord plus concentrées en milieu de soins secondaires, sont moins anciennes, et semblent diffuser plus largement leur offre de services. Bien que ce groupe soit très hétérogène en matière de taille, il compte de plus grandes CUMF, ce qui suggère un financement proportionnel par les autorités ministérielles. Les infirmières y sont plus nombreuses et utilisent des ordonnances collectives plus diversifiées, mais ne semblent pourtant pas jouer un rôle plus élargi. Les médecins sont aussi plus nombreux, plus présents et dispensent plus de visites dans les CUMF en Accès adapté. Ces dernières sont toutefois moins enclines à baser intégralement leur réponse aux besoins ponctuels de la clientèle sur des disponibilités à accès rapide, préférant majoritairement une combinaison avec des services sans rendez-vous (SRV). Finalement, elles ont des disponibilités plus étendues en heures défavorables et offrent des délais plus courts pour le premier et le troisième rendez-vous disponibles. Conclusion : Le devis de cette étude ne permet d’établir aucune forme de causalité, mais soulève des questionnements quant au rôle potentiel de ces caractéristiques sur l’implantation de l’Accès adapté par ces CUMF. En rappelant la constante évolution des soins de santé primaires, nos résultats appellent à une évaluation ponctuelle des CUMF et à une analyse plus concrète des facteurs influençant l’implantation du modèle dans ces milieux.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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 teacher head, 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".