MétaCan
Menu
Retour à la cohorte
Enregistrement W4381191114 · doi:10.26685/urncst.485

“A Bias Recognized is A Bias Sterilized”: A Literature Review on How Biased Datasets Have Led to the Long-standing Misdiagnosing of People of Color (POC) and Female Patients

2023· review· en· W4381191114 sur OpenAlexaff
Shreerachita Satish, Zoya Pal

Notice bibliographique

RevueUndergraduate Research in Natural and Clinical Science and Technology (URNCST) Journal · 2023
Typereview
Langueen
DomaineSocial Sciences
ThématiqueRacial and Ethnic Identity Research
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésHealth equityContext (archaeology)Health careSocioeconomic statusPrejudice (legal term)MisrepresentationMedicinePsychologyGeneralizability theoryGerontologyPublic healthPopulationSocial psychologyDevelopmental psychologyEnvironmental healthPolitical scienceGeographyPathology

Résumé

récupéré en direct d'OpenAlex

Introduction: Health disparities disproportionately impact minority group patients. Various factors perpetuate health inequity, including socioeconomic status, prejudice and discrimination. Historically, sample biases favoring White males in healthcare literature have led to the underrepresentation of certain groups in scientific literature, particularly people of color (POC) and female populations. Many revolutionary studies in healthcare research have used biased samples, which challenges their generalizability to POC and female populations. This review explores the mechanisms by which these gaps in the literature have led to the misdiagnoses of POC and female patients in psychiatric and biomedical settings. Methods: A comprehensive literature review was conducted to investigate: (1) misrepresentation of minority groups in literature, (2) variation in the symptomatology and etiology of disorders and diseases in female and POC populations; and (3) biases within accepted diagnostic measures and criteria. Electronic databases such as PubMed, PsychINFO and Google Scholar were used to search key terms including ‘health inequity’, ‘cross-cultural validity’, ‘racial disparities’, ‘sex disparities’, ‘diagnostic delays’, ‘misdiagnosis’, ‘clinical heterogeneity’. Results: Eighty-seven studies were examined, and 38 studies were included in the review. Findings suggest that misclassification of group membership, poor conceptualizations of minority identities, inadequate understanding of symptomatology variation, exclusion of social context, lack of culturally sensitive approaches, biased diagnostic tools and an absence of diverse samples in historical datasets have resulted in a harmful deficit in minority representation within medical literature. Discussion: Bias in healthcare literature has led to the systematic underrepresentation of minority populations in medical research and contributes to the misdiagnosis and subsequent health inequities within these groups. Present findings emphasize the necessity to regard past health research with reasonable skepticism and a call for prioritization of inclusive and diverse research. Conclusion: This review sheds light on how to bridge the literature deficit caused by biased research through highlighting how minority populations are differentially impacted within the healthcare field and identifying factors that perpetuate these disparities. Further research on the examined factors must be conducted to develop approaches to mitigate misdiagnosis rates and subsequent health inequities among POC and female patients.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,036
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesMétarecherche, Études des sciences et des technologies
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,983
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0300,036
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0020,009
Études des sciences et des technologies0,0020,005
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,325
Tête enseignante GPT0,535
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUndergraduate Research in Natural and Clinical Science and Technology (URNCST) JournalMême sujetRacial and Ethnic Identity ResearchTravaux en français237 207