Personalized medicine and access to health care: potential for inequitable access?
Notice bibliographique
Résumé
Personalized medicine promises that an individual's genetic information will be increasingly used to prioritize access to health care. Use of genetic information to inform medical decision making, however, raises questions as to whether such use could be inequitable. Using breast cancer genetic risk prediction models as an example, on the surface clinical use of genetic information is consistent with the tools provided by evidence-based medicine, representing a means to equitably distribute limited health-care resources. However, at present, given limitations inherent to the tools themselves, and the mechanisms surrounding their implementation, it becomes clear that reliance on an individual's genetic information as part of medical decision making could serve as a vehicle through which disparities are perpetuated under public and private health-care delivery models. The potential for inequities arising from using genetic information to determine access to health care has been rarely discussed. Yet, it raises legal and ethical questions distinct from those raised surrounding genetic discrimination in employment or access to private insurance. Given the increasing role personalized medicine is forecast to play in the provision of health care, addressing a broader view of what constitutes genetic discrimination, one that occurs along a continuum and includes inequitable access, will be needed during the implementation of new applications based on individual genetic profiles. Only by anticipating and addressing the potential for inequitable access to health care occurring from using genetic information will we move closer to realizing the goal of personalized medicine: to improve the health of individuals.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».