Underreporting of race/ethnicity in COVID-19 research
Notice bibliographique
Résumé
OBJECTIVES: Although racial/ethnic disparities in healthcare have long been recognized, recent discourse around structural racism will hopefully lead to improved transparency surrounding these issues. Despite the disproportionate impact of COVID-19 on racial/ethnic minorities, the extent and reliability of race reporting in COVID research is unclear. METHODS: COVID-19 research published in three top medical journals during the first wave of the COVID-19 pandemic was reviewed and assessed for race reporting and proportional representation. RESULTS: Of the 95 manuscripts that were identified, 56 reporting on 252,262 patients met eligibility. Thirty-five (62.5%) did not report race distribution and 15 (26.7%) did not report ethnicity. There was no difference based on journal (P = 0.87), study sponsor (P = 0.41), whether the study was retrospective or prospective (P = 0.33), or observational vs interventional (P = 0.11). Studies with ≥250 patients were more likely to report on race (OR 4.01, 95% CI: 1.12-14.37, P = 0.027), and North American (USA and Canada) studies were more likely than European studies (OR 7.88, 95% CI: 1.73-37.68, P = 0.006) to report on race. COVID-19 research mirrored USA COVID-19 racial incidence; however, both showed higher distribution of COVID-19 infection among Blacks and a smaller proportion of Whites compared to the USA population. This suggests that research is broadly representing infection rates and that social determinants of health are impacting racial distribution of infection. CONCLUSIONS: Despite increasing awareness of racial disparities and inequity, COVID-19 research during the first wave of the pandemic lacked appropriate racial/ethnicity reporting. However, research mirrored COVID-19 incidence in the USA, with an increased burden of infection among Black individuals.
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 | 0,423 | 0,633 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,019 | 0,018 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».