Diversity in Dermatology? An Assessment of Undergraduate Medical Education
Notice bibliographique
Résumé
Background A lack of representation of skin of color (SoC) in dermatology curricula is well-documented across North American medical schools and may present a barrier to equitable and comprehensive undergraduate medical education. Objectives This study aims to examine representation in dermatologic educational materials and appreciate a link between bias in dermatologic education and student diagnostic ability and self-rated confidence. Design The University of Toronto Dermatology Undergraduate Medical Education curriculum was examined for the percentage photographic representation of SoC. A survey of 10 multiple-choice questions was administered to first- and third-year medical students at the University of Toronto to assess diagnostic accuracy and self-rated confidence in diagnosis of 5 common skin lesions in Fitzpatrick skin phototypes (SPT) I-III (white skin) and VI-VI (SoC). Results The curriculum audit showed that <7% of all images of skin disease were in SoC. Diagnostic accuracy was fair for both first- (77.8% and 85.9%) and third-year (71.3% and 72.4%) cohorts in white skin and SoC, respectively. Students’ overall self-rated confidence was significantly greater in white skin when compared to SoC, in both first- (18.75/25 and 17.78/25, respectively) and third-year students (17.75/25 and 15.79/25, respectively) ( P = .0002). Conclusions This preliminary assessment identified a lack of confidence in diagnosing dermatologic conditions in SoC, a finding which may impact health outcomes of patients with SoC. This project is an important first step in diversifying curricular materials to provide comprehensive 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 | 0,002 | 0,002 |
| 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 ».