Use of Racial and Ethnic Categories in Medical Testing and Diagnosis: Primum Non Nocere
Notice bibliographique
Résumé
BACKGROUND: Use of race and ethnicity is common in medical tests and procedures, even though these categories are defined by sociological, historical, and political processes, and vary considerably in their definitions over time and place. Because all societies organize themselves around these constructs in some way, they are undeniable facets of the human experience, with myriad health consequences. In the biomedical literature, they are also commonly interpreted as representing biological heterogeneity that is relevant for health and disease. CONTENT: We review the use of race and ethnicity in medical practice, especially in the USA, and provide 2 specific examples to represent a large number of similar instances. We then critique these uses along a number of different dimensions, including limitations in measurement, within- versus between-group variance, and implications for informativeness of risk markers for individuals, generalization from arbitrary or nonrepresentative samples, perpetuation of myths and stereotypes, instability in time and place, crowding out of more relevant risk markers, stigmatization, and the tainting of medicine with the history of oppression. We conclude with recommendations to improve practice that are technical, ethical, and pragmatic. SUMMARY: Medicine has evolved from a mystical healing art to a mature science of human health through a rigorous process of quantification, experimentation, and evaluation. Folkloric traditions, such as race- and ethnic-specific medicine will fade from use as we become increasingly critical of outdated and irrational clinical practices and replace these with personalized, evidenced-based tests, algorithms, and procedures that privilege patients' individual humanity over obsolete and misleading labels.
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 | 0,001 | 0,007 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».