Demographic Data Associated With Digital Inequity Reported in Patient-to-Provider Teledermatology Studies in the United States From 2011 to 2021: Scoping Review
Notice bibliographique
Résumé
Background Patient-to-provider teledermatology relies on a patient’s access to technology to ensure a successful visit. However, access to broadband internet and technology varies across populations in the United States—leading to the digital divide. While teledermatology has been recognized as a model to improve access, little is known about how often demographic data associated with digital inequity are captured in studies. Objective Given the expansion of teledermatology over the past decade, we sought to determine how often demographic data associated with digital inequity are reported in patient-to-provider teledermatology studies. Methods A scoping literature review search was conducted using the search term teledermatology in the following databases: PubMed, Embase, and the Cochrane Database of Systematic Reviews. All studies published between December 31, 2011, and December 31, 2021, that evaluated patient-to-provider teledermatology were eligible. Results In total, 1412 publications describing teledermatology were identified, of which 46 met the inclusion criteria. Race or ethnicity was the most frequently reported demographic characteristic (28/46, 61%). However, only 41% (19/46) of studies were representative of race or ethnicity, defined as including >20% nonwhite participants. Studies rarely reported the number of participants greater than 65 years of age (14/46, 30%), preferred language (9/46, 20%), income (6/46, 13%), highest level of education (5/46, 11%), or access to a device (4/46, 9%). Studies conducted after the onset of the COVID-19 pandemic were significantly more likely to report preferred language (9/25, 36% vs 0%; P=.002) and appeared more likely to report other demographic data associated with digital inequity, without reaching statistical significance (P>.05). Conclusions Demographic data associated with digital inequity are rarely reported in patient-to-provider teledermatology studies to date. These studies frequently lack adequate representation of racial and ethnic minorities. With increased calls for equitable representation in dermatology studies, future teledermatology studies can improve the reporting of race and ethnicity and consider demographic data associated with digital inequity as an important criterion in research design.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 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 ».