Addressing gaps in physician knowledge regarding transgender health and healthcare through medical education
Notice bibliographique
Résumé
BACKGROUND: Transgender people (those people whose sex at birth does not "match" their felt gender identity) are a priority group for healthcare as they experience high rates of discrimination and related illnesses. Despite this, there is a trend of poor healthcare access for trans people due, in large part, to the denial of care on the part of physicians. A small body of literature is beginning to suggest that this denial of care may be due to a lack of physician knowledge as well as, in some cases, to transphobia. There is a dearth of research in Canada, however, exploring whether and/or how knowledge gaps create barriers to quality care, and whether medical education can attend to these gaps while and through addressing gender normativity. METHODS: =41) in Winnipeg, Manitoba. Methods included semi-structured individual interviews and focus groups. Data were transcribed and analyzed with NVivo qualitative data software using iterative methods. RESULTS: An overwhelming finding of this study was a lack of physician knowledge, as reported both by trans people and by physicians, that resulted in a denial of trans-specific care and also impacted general care. Transphobia was also identified as a barrier to quality care by both trans people and physicians. Physicians were open to learning more about trans health and healthcare. CONCLUSIONS: The findings suggest a pressing need for better medical education that exposes students to basic skills in trans health so that they can become competent in providing care to trans people. This learning must take place alongside anti-transphobia education. Based on these findings, we suggest key recommendations at the close of the paper for providing quality trans health curriculum in medical education.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».