Sex bias in pain management decisions
Notice bibliographique
Résumé
In the pursuit of mental and physical health, effective pain management stands as a cornerstone. Here, we examine a potential sex bias in pain management. Leveraging insights from psychological research showing that females' pain is stereotypically judged as less intense than males' pain, we hypothesize that there may be tangible differences in pain management decisions based on patients' sex. Our investigation spans emergency department (ED) datasets from two countries, including discharge notes of patients arriving with pain complaints (N = 21,851). Across these datasets, a consistent sex disparity emerges. Female patients are less likely to be prescribed pain-relief medications compared to males, and this disparity persists even after adjusting for patients' reported pain scores and numerous patient, physician, and ED variables. This disparity extends across medical practitioners, with both male and female physicians prescribing less pain-relief medications to females than to males. Additional analyses reveal that female patients' pain scores are 10% less likely to be recorded by nurses, and female patients spend an additional 30 min in the ED compared to male patients. A controlled experiment employing clinical vignettes reinforces our hypothesis, showing that nurses (N = 109) judge pain of female patients to be less intense than that of males. We argue that the findings reflect an undertreatment of female patients' pain. We discuss the troubling societal and medical implications of females' pain being overlooked and call for policy interventions to ensure equal pain treatment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».