What is the effectiveness of antiracist interventions for ethnic minority healthcare staff? A systematic review
Notice bibliographique
Résumé
Abstract Background The National Health Service (NHS) has the most diverse workforce in the United Kingdom (UK), 25% (n= 309,532/1,200,000) of staff belong to ethnic minority groups. However, there is evidence of longstanding issues of racism within the NHS and discrimination towards ethnic minority healthcare staff has been rising since 2016. In the first wave of the COVID-19 pandemic, 95% of COVID-19 deaths among doctors were in an ethnic minority group. There has been no definitive answer for the disproportionate COVID-19 mortality but socioeconomic factors due to structural racism have been suggested as the main drivers. No studies have assessed the effectiveness of antiracist interventions for healthcare staff. Methods We conducted a systematic review; databases searched included: AMED, Medline via OVID, CINAHL, APA Pyscinfo, Web of Science and OVID Emcare 25 th – 31 st January 2022. The interventions were structured using a model of antiracist interventions and analysed using narrative synthesis methods. Results 16 papers were reviewed with interventions at different levels: personally mediated (n=9), multilevel (n=4) and institutional (n=3). Personally mediated interventions were workshops (n=8) and a mentorship scheme (n=1). Institutional interventions were policies (n=2) and increasing diversity initiative (n=1). Multilevel interventions were a mix of both. Study designs and risk of bias tools indicated that the quality of evidence was of low quality. Only two studies included control groups. Countries included the USA (n=11), Canada (n=1) and the UK (n=4). Conclusion There is a lack of robust evidence for antiracist interventions for healthcare staff, especially at an institutional level. High quality research is required to evaluate the long-term effects of interventions. Funding statement The Wales COVID-19 Evidence Centre was funded for this work by Health and Care Research Wales on behalf of Welsh Government.
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 | 0,019 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,009 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».