Modalités d'inscription à un médecin de famille : facteurs prédictifs et association avec l'utilisation des services d'urgence
Bibliographic record
Abstract
Contexte: Lancé en 2008 au Québec, le Guichet d’Accès à un Médecin de Famille (GAMF) centralise les demandes d’inscription de patients auprès d’un médecin de famille. Cependant, les médecins peuvent opter pour une prise en charge « hors GAMF », ce qui pourrait contribuer à des iniquités dans l’accès aux soins primaires. Objectifs: Déterminer les facteurs prédictifs de la modalité d’inscription (GAMF vs hors GAMF) et examiner son association avec le nombre de visites non prioritaires à l’urgence. Méthodes: Cette étude de cohorte rétrospective populationnelle (N= 1 417 838) examine les patients adultes inscrits auprès d’un médecin de famille entre avril 2017 et juin 2021 à partir des données administratives fournies par la Régie de l’assurance maladie du Québec. Un modèle de forêt aléatoire a évalué l’importance relative de facteurs sociodémographiques et de santé dans la prédiction de la modalité d’inscription. Un modèle binomial négatif ajusté a estimé le rapport de taux d’incidence (RTI) de visites non prioritaires à l’urgence, un proxy de l’accès non réalisé aux soins primaires, dans l’année suivant l’inscription. Résultats: Les principaux facteurs prédictifs de la modalité d’inscription incluaient l’année financière d’inscription, l’âge, la ruralité et l’utilisation antérieure des services de santé. Les médecins recrutaient davantage hors GAMF en milieu urbain, en privilégiant des patients plus jeunes et en meilleure santé. L’inscription via le GAMF était associée à une réduction de 4,7 % des visites non prioritaires à l’urgence (RTI= 0,952 ; IC 95 %: 0,946–0,960). Conclusion: Afin d’optimiser l’équité dans l’inscription auprès d’un médecin de famille, il parait pertinent de renforcer les incitatifs favorisant l’adhésion au GAMF.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".