Through An Equity Lens: Illuminating The Relationships Among Social Inequities, Stigma And Discrimination, And Patient Experiences of Emergency Health Care
Notice bibliographique
Résumé
People who experience the greatest social inequities often have poor experiences in emergency departments (EDs) so that they are deterred from seeking care, leave without care complete, receive inadequate care, and/or return repeatedly for unresolved problems. However, efforts to measure and monitor experiences of care rarely capture the experiences of people facing the greatest inequities, experiences of discrimination, or relationships among these variables. This analysis examined how patients' experiences, including self-reported ratings of care, experiences of discrimination, and repeat visits vary with social and economic circumstances. Every consecutive person presenting to three diverse EDs was invited if/when they were able to consent; 2424 provided demographic and contact information; and 1692 (70%) completed the survey. Latent class analysis (LCA) using sociodemographic variables: age, gender, financial strain, employment, housing stability, English as first language, born in Canada, and Indigenous identity, indicated a six-class solution. Classes differed significantly on having regular access to primary care, reasons for the visit, and acuity. Classes also differed on self-reported discrimination every day and during their ED visit, ratings of ED care, and number of ED visits within the past six months. ED care can be improved through attention to how intersecting forms of structural disadvantage and inequities affect patient experiences.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».