Adverse Events in Maternal Care: Investigating Racial/Ethnic Disparities at the System Level
Notice bibliographique
Résumé
Pregnancy related deaths are elevated among women of color, and Black women are 3 to 4 times more likely to die from pregnancy-related causes than white women. Women of color also experience higher rates of severe maternal morbidity (SMM). Half of all maternal deaths and SMM cases are considered preventable with timely and appropriate care. Poor maternal health outcomes and racial/ethnic disparities are the result of multilevel variables including poor quality of care. Few studies have investigated the underlying mechanisms within clinical systems that undermine safety for women of color. This research investigates systems issues contributing to adverse outcomes in maternal care and disparities based on the examination of patient safety incidents (PSIs) reported in the obstetric care units in a large, academic health system in 2019 and 2020. Trends in event type and harm score were examined and the data was disaggregated by race/ethnicity and cross tabulated with unit, event type, and harm score to examine disparities in adverse events. Of the 693 reported incidents, non-Hispanic White (NHW) and non-Hispanic Black (NHB) patients accounted for 43.8% each. Hispanic patients accounted for 7.9% of reported incidents and patients categorized as “Other” accounted for 4.3% of the reported incidents. In both 2019 and 2020, the odds ratio demonstrated a higher likelihood of a reported event for non-Hispanic Black patients (1.99, 95%CI, 1.56 -2.52 and 1.70, 95% CI 1.28-2.25, respectively) and patients categorized as “Other” (15.34, 95% CI 7.25-32.44 and 4.43, 95%CI 1.85-10.58). These findings can facilitate the identification of mechanisms within the clinical system contributing to variation in adverse outcomes for women of color and support the design of more precise interventions and sustained, effective delivery.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».