The Relative Indirect Effects of Technology Bias and Implicit Bias on Racial Disparity in Service Delivery and Sepsis Mortality
Notice bibliographique
Résumé
Racism at the individual and societal levels has been identified as a cause of disparity in healthcare outcomes in the United States but reducing disparity has been slow. This study disentangles the relative effects of two types of racism on inpatient service delivery and hospital mortality: technology bias and implicit bias. Drawing on clinical data from intensive care unit (ICU) patients with sepsis, we use propensity score matching to balance groups of White and nonwhite patients and run a causal mediation analysis to test our model, which links patient race to hospital mortality through two mediating variables related to service delivery: (1) discrepancies in blood oxygen saturation measurements due to technology bias embedded in the medical device (i.e., pulse oximeter) and (2) administration of supplemental oxygen, which could be impacted by clinicians’ implicit bias. We first replicate prior findings that (a) higher discrepancies between oximeter readings and laboratory tests for nonwhite patients compared to Whites and (b) a higher discrepancy lowers the likelihood of patients receiving supplemental oxygen during the ICU stay. We make a unique contribution by finding that nonwhite patients with sepsis have a 79% higher risk of hospital mortality in the ICU compared to Whites, with nearly half of the racial disparity in mortality stemming from technology bias and less than a fifth from clinicians’ implicit bias. Eliminating these two biases would help save thousands of lives annually among racial/ethnic minorities with sepsis in the United States. Our findings indicate that technology bias exerts a greater negative impact on mortality than does implicit bias, highlighting the importance of device approval standards and clinicians' ability to customize decision criteria for supplemental oxygen.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».