Notice bibliographique
Résumé
Background: Racism, the differential treatment of people based on their perceived racial or ethnic identity, causes health inequities between racial groups. An absence of race or ethnicity data (RED) in healthcare makes evaluation and awareness of health inequalities caused by systemic racism challenging. Current literature is scarce on collection methods of RED in healthcare globally. Methods: English language references and grey literature published in MEDLINE, Embase, and relevant sources between January 1, 2000, and July 3, 2021, were identified after consultation with a research librarian. Abstracts were evaluated for inclusion and exclusion criteria. Thematic analysis and data extraction were conducted after full-body reviews. Studies included in the final review focused on participants ≤18, were based in a healthcare facility and collected race or ethnicity data. Results: A total of 1,193 references were collected in the initial search (296 MEDLINE, 894 Embase, 3 other). After a full-body evaluation, 28 references were retained and included in the final analysis. Articles were set in the United States (n=7), Canada (n=5), Australia (n=4), and the United Kingdom (n=1). RED was collected using Electronic Medical Records (n=8), Electronic Health Records (n=6), collaborative studies (n=2), Patient Chart Documentation (n=1), and National Emergency Services Information System (NEMSIS) data (n=1). RED was collected in Tertiary care centers (n=8), Secondary care centers (n=1), a Primary care center (n=1), and a Quaternary care center (n=1). Racial and ethnic categories discussed in the literature included: White, Hispanic, Black, Indigenous, Aboriginal, and Asian. Six articles explicitly reported a need for more RED collection. Conclusion: Collecting RED is critical to understanding health inequities and the impacts of racism in healthcare. Globally, there is limited information on RED collection. We strongly endorse the recommendation of the BC Office of Human Rights Commissioner on the collection of RED in all age groups, including pediatrics. Capturing RED respectfully, meaningfully, and accurately across all groups will help identify potential associations, barriers, and inequities in health outcomes, helping to mitigate and eliminate systemic racism in healthcare.
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 | 0,127 | 0,447 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,008 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,009 | 0,016 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,006 |
| 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».