Homeless Patients Associate Clinician Bias With Suboptimal Care for Mental Illness, Addictions, and Chronic Pain
Notice bibliographique
Résumé
Objective: To determine how accessible health care services are for people who are experiencing homelessness and to understand from their perspectives what impact clinician bias has on the treatment they receive. Methods: Narrative interviews were conducted with 53 homeless/vulnerably housed individuals in Ontario, Canada. Visit history records were subsequently reviewed at 2 local hospitals, for 52 of the interview participants. Results: Of the 53 participants only 28% had a primary care provider in town, an additional 40% had a provider in another town, and 32% had no access to a primary care provider at all. A subset of the individuals were frequent emergency department users, with 15% accounting for 75% of the identified hospital visits, primarily seeking treatment for mental illness, pain, and addictions. When seeking primary care for these 3 issues participants felt medication was overprescribed. Conversely, in emergency care settings participants felt prejudged by clinicians as being drug-seekers. Participants believed they received poor quality care or were denied care for mental illness, chronic pain, and addictions when clinicians were aware of their housing status. Conclusion: Mental illness, chronic pain, and addictions issues were believed by participants to be poorly treated due to clinician bias at the primary, emergency, and acute care levels. Increased access to primary care in the community could better serve this marginalized population and decrease emergency department visits but must be implemented in a way that respects the rights and dignity of this patient population.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».