[Deeper skin tones rarely depicted in Dutch dermatology textbooks].
Notice bibliographique
Résumé
OBJECTIVE: Within diverse populations such as in the Netherlands, medical education must prepare students to diagnose skin conditions on a broad range of skin tones. To develop the visual pattern recognition skills to do so, medical students need exposure to skin conditions on deeper skin tones. The purpose of this study is to assess the inclusion of images of brown skin in Dutch dermatology textbooks. DESIGN: Observational study. METHOD: Two large Dutch student textbook web shops were searched for dermatology textbooks, and all available general dermatology textbooks explicitly aimed at medical students were selected. All images of skin were examined and divided into the categories 'light skin', 'light to medium brown skin', 'medium to deep brown skin', 'deep to very deep brown skin', and 'indeterminate'. RESULTS: Five textbooks, with a total of 2060 images of skin, were examined. 87.6% of images showed light skin, 7.0% showed light to medium brown skin, 2.9% showed medium to deep brown skin, and 0.5% showed deep to very deep brown skin. 2.0% was categorized as 'indeterminate'. CONCLUSION: Dutch dermatology textbooks currently include only small percentages of images of brown skin. Unfamiliarity with disease presentation on deeper skin tones can lead to delayed diagnosis and worse outcomes in Black and Brown patients. Future textbooks should include images of different skin tones, including deeper ones, for every skin condition.
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 | 0,000 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».