Racial biases in healthcare: Examining the contributions of Point of Care tools and unintended practitioner bias to patient treatment and diagnosis
Notice bibliographique
Résumé
Sophisticated algorithms are used daily to search through hundreds of medical journals in order to package updated medical insights into commercial databases. Healthcare practitioners can access these searchable databases-called Point of Care (PoC) tools-as downloadable apps on their smartphones or tablets to comprehensively and efficiently inform patient diagnosis and treatment. Because racist biases are unintentionally incorporated into the search reports that the companies generate and that practitioners regularly access, the aim of this article is to examine how healthcare practitioners' "pre-existing" racial stereotypes interact with pithy conclusions about race and ethnicity in PoC tools. I use qualitative research methods (content analysis, discourse analysis, open-ended semi-structured interviews, and role play) to frame the analysis within the Public Health Critical Race Praxis (PHCRP). This approach facilitates an understanding of how biological racism-the use of scientific evidence to support inherent differences between races-that is embedded in PoC algorithms informs a practitioner's assessment of a patient, and converges with persistent racial bias in medical training, medical research and healthcare. I contextualize the study with one semi-structured interview with an Editor of a leading PoC tool, MedScope (pseudonomized), and 10 semi-structured interviews with healthcare practitioners in S.E. Ontario, Canada. The article concludes that PoC tools and practitioners' personal biases contribute to racial prejudices in healthcare provision. This warrants further research on racial bias in medical literature and curriculum design in medical school.
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 | 0,001 |
| 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 | 0,005 | 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 ».