MétaCan
Menu
Retour à la cohorte
Enregistrement W4200322662 · doi:10.1097/acm.0000000000004570

Stand Up for Indigenous Health: A Simulation to Educate Residents About the Social Determinants of Health Faced by Indigenous Peoples in Canada

2021· article· en· W4200322662 sur OpenAlexaffabout

Notice bibliographique

RevueAcademic Medicine · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCultural Competency in Health Care
Établissements canadiensNiagara Health SystemThe Scarborough HospitalRegional Municipality of NiagaraRoyal Victoria Regional Health Centre
Organismes subventionnairesnon disponible
Mots-clésIndigenousSocial determinants of healthCapacity buildingIndigenous educationCulturally appropriateMEDLINE

Résumé

récupéré en direct d'OpenAlex

PROBLEM: In Canada, Indigenous peoples face significant health disparities. To improve health outcomes of and provide culturally safe care to Indigenous patients, medical learners must receive training on the social determinants of health (SDOH) driving these health inequities. The authors developed Stand Up for Indigenous Health (SU4IH), an immersive 2-hour simulation where participants navigate a series of scenarios as an Indigenous person. The objective of this pilot study was to assess whether SU4IH promotes intercultural empathy and enhances medical learners' knowledge of Indigenous SDOH. APPROACH: The authors partnered with 4 Indigenous communities in Ontario, Canada, from urban, rural, and remote settings to develop the scenarios for SU4IH between June 2015 and March 2016. During each SU4IH simulation, learners experience 14 scenarios using the Stand Up for Health mobile app, which automatically calculates each individual's financial balance and stress levels as the simulation unfolds. The authors conducted a pre-post intervention study of SU4IH in January 2019 with family medicine residents recruited from 2 training sites in Ontario (n = 29). Residents completed pre- and postsurveys assessing change in empathy toward Indigenous patients (primary outcome), knowledge of Indigenous SDOH (secondary outcome), and motivation to engage with Indigenous patients in a culturally safe manner (secondary outcome). OUTCOMES: Residents' empathy scores significantly increased after participating in SU4IH (P < .001), as did residents' knowledge of Indigenous SDOH (P < .001) and motivation to engage with Indigenous patients in a culturally safe manner (P = .031). NEXT STEPS: The authors are working to expand their capacity to implement this learning tool across Canada, which has involved relationship building with medical learners and faculty outside of Ontario who will need to partner with Indigenous communities in their region to develop region-specific scenarios. SU4IH is also being redesigned for small-group and virtual formats to facilitate its expansion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,332
Score d'incertitude au seuil0,668

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0040,002
Communication savante0,0010,000
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,447
Écart entre enseignants0,362 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetCultural Competency in Health CareTravaux en français237 207