Physician–Patient Language Discordance and Poor Health Outcomes: A Systematic Scoping Review
Notice bibliographique
Résumé
Objective: This systematic review assessed whether physician–patient language concordance, compared with discordance, is associated with better health outcomes. Methods: A systematic literature search was conducted, without language restrictions, using PubMed, EMBASE, Web of Science, and PsycINFO, from inception to July 2020. We included studies that evaluated the effects of physician–patient language concordance on health outcomes. Articles were screened, selected, and data-extracted in duplicate. Review protocol was prospectively registered (PROSPERO, CRD42020157229). Results: There were 541 citations identified through databases and eight citations through reverse search and Google Scholar. A total of 15 articles (84,750 participants) were included reporting outcomes within five domains: diabetes care (four studies), inpatient care (five studies), cancer screening (three studies), healthcare counseling (two studies), and mental health care (one study). Ten studies were of good quality, four were fair, and one was poor, according to the modified Newcastle-Ottawa Scale. Eight studies (53%) showed a significant negative association between language discordance and at least one clinical outcome. Five studies (33%) found no association. Conclusion: Over half the evidence collated showed that physician–patient language concordance was associated with better health clinical outcomes.
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 | 0,035 | 0,177 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,015 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».