Mitigating Implicit Bias in Patient-Clinician Communication in Clinical Encounters: Early Insights from the COmmuNity-engaged SimULation Training (CONSULT) Trial
Notice bibliographique
Résumé
Abstract BackgroundTo address the gap in knowledge about how to design feasible and acceptable trainings for clinicians that aim to mitigate implicit bias in clinical encounters, we report the early insights from the COmmuNity-engaged SimULation Training for Blood Pressure Control (CONSULT) Trial.MethodsWe engaged academic and community stakeholders to design, pilot test and implement a training program addressing healthcare disparities knowledge, bias awareness, and communication skills focused on bias mitigation. A stepped wedge cluster randomized trial was developed to determine intervention dose effects. We assessed the CONSULT training program through structured feedback using online surveys, real-time comments, and individualized feedback from trainees, faculty and standardized patients.ResultsThe first training cohort completed the intervention (N = 64). Feedback prompted training program revisions as follows: reducing overall time burden and the number of implicit bias assessments; supplementing on-line learning with augmented in-person interactive sessions. Feedback also reinforced the critical importance of having highly skilled facilitators versed in implicit bias.ConclusionsIterative stakeholder engagement is essential for developing and revising educational interventions aimed at raising bias awareness and mitigating the effects of implicit bias.Trial RegistrationClinicalTrials.gov, NCT 03375918. Registered December 18, 2017, https://clinicaltrials.gov/ct2/show/NCT03375918?id=NCT+03375918&draw=2&rank=1
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 | 0,053 | 0,144 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».