Mitigating diagnostic performance bias in a skin‐tone balanced dermatology curriculum
Notice bibliographique
Résumé
INTRODUCTION: Individuals with skin of colour (SoC) have delayed diagnosis and poorer outcomes when presenting with some dermatologic conditions when compared to individuals with light skin (LS). The objective of this study was to determine if diagnostic performance bias can be mitigated by a skin-tone balanced dermatology curriculum. METHODOLOGY: A prospective randomised intervention study occurred over 2 weeks in 2020 at a Canadian medical school. A convenience sample of all first-year medical students (n = 167) was chosen. In week 1, all participants had access to dermatology podcasts and were randomly allocated to receive non-analytic training (NAT; online patient 'cards') on either SoC cases or LS cases. In week 2, all participants received combined training (CT; NAT and analytic training through workshops on how to apply dermatology diagnostic rules for all skin tones). Participating students completed two formative assessments after weeks 1 and 2. RESULTS: Ninety-two students participated in the study. After week 1, both groups had a lower diagnostic performance on SoC (p = 0.0002 and p = 0.002 for students who trained on LS 'cards' and SoC 'cards', respectively). There was a significant decrease in mean skin tone difference in both groups after week 2 (initial training on SoC: 5.8% (SD 12.2) pre, -1.4% (14.7) post, p = 0.007; initial training on LS: 7.8% (15.4) pre, -4.0% (11.8%) post, p = 0.0001). Five students participated in a post-study survey in 2023, and all found the curriculum enhanced their diagnostic skills in SoC. CONCLUSIONS: SoC performance biases of medical students disappeared after CT in a skin tone-balanced dermatology curriculum.
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 | 0,003 | 0,208 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».