Can ethnicity data collected at an organizational level be useful in addressing health and healthcare inequities?
Notice bibliographique
Résumé
OBJECTIVE: Following arguments made in the USA, the UK and New Zealand regarding the importance of population-level ethnicity data in understanding health and healthcare inequities, health authorities in several Canadian provinces are considering plans to collect ethnicity data from patients at the point of care within selected healthcare organizations. The purpose of this paper is to examine the potential quality, utility and relevance of ethnicity data collected at an organizational level as a means of addressing health and healthcare inequities. DESIGN: We draw on findings from a recent Canadian study that examined the implications of collecting ethnicity data in healthcare contexts. Using a qualitative design, data were collected in a large city, and included interviews with 104 patients, community and healthcare leaders, and healthcare workers within diverse clinical contexts. Data were analyzed using interpretive thematic analysis. RESULTS: Our results are discussed in relation to discourses reflected in the current literature that require consideration in relation to the potential utility and relevancy of ethnicity data collected at the point of care within healthcare organizations. These discourses frame excerpts from the ethnographic data that are used as illustrative examples. Three key challenges to the potential relevance and utility of ethnicity data collected at the level of local healthcare organizations are identified: (a) issues pertaining to quality of the data, (b) the fact that data quality is most problematic for those with the greatest vulnerability to the negative effects of health inequities, and (c) the lack of data reflecting structural disadvantages or discrimination. CONCLUSION: The quality of ethnicity data collected within healthcare organizations is often unreliable, particularly for people from racialized or visible minority groups, who are most at risk, seriously limiting the usefulness of the data. Quality measures for collecting data reflecting ethnocultural identity in specific healthcare organizations may be warranted - but only if mechanisms exist or are developed for linking ethnicity with measures of perceived discrimination, stigmatization, income level, and other known contributors to inequities. Methods for linking these kinds of data, however, remain underdeveloped or non-existent in most healthcare organizations.
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 | 0,171 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,008 | 0,020 |
| Communication savante | 0,015 | 0,023 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».