The Incidence and Disparities in Use of Stigmatizing Language in Clinical Notes for Patients With Substance Use Disorder
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: The language used to describe people with substance use disorder impacts stigma and influences clinical decision making. This study evaluates the presence of stigmatizing language (SL) in clinical notes and detects patient- and provider-level differences. METHODS: All free-text notes generated in a large health system for patients with substance-related diagnoses between December 2020 and November 2021 were included. A natural language processing algorithm using the National Institute on Drug Abuse's "Words Matter" list was developed to identify use of SL in context. RESULTS: There were 546,309 notes for 30,391 patients, of which 100,792 (18.4%) contained SL. A total of 18,727 patients (61.6%) had at least one note with SL. The most common SLs used were "abuse" and "substance abuse." Nurses were least likely to use SL (4.1%) while physician assistants were most likely (46.9%). Male patients were more likely than female patients to have SL in their notes (adjusted odds ratio [aOR], 1.17; 95% confidence internal [CI], 1.11-1.23), younger patients aged 18 to 24 were less likely to have SL than patients 45 to 54 years (aOR, 0.55; 95% CI, 0.50-0.61), Asian patients were less likely to have SL than White patients (aOR, 0.45; 95% CI, 0.36-0.56), and Hispanic patients were less likely to have SL than non-Hispanic patients (aOR, 0.88; 95% CI, 0.80-0.98). CONCLUSIONS: The majority of patients with substance-related diagnoses had at least one note containing SL. There were also several patient characteristic disparities associated with patients having SL in their notes. The work suggests that more clinician interventions about use of SL are needed.
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.
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 | 0,003 |
| 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 | 0,000 | 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 découle