Eliciting patient past experiences of healthcare discrimination as a potential pathway to reduce health disparities: A qualitative study of primary care staff
Notice bibliographique
Résumé
OBJECTIVE: To understand whether and how primary care providers and staff elicit patients' past experiences of healthcare discrimination when providing care. DATA SOURCES/STUDY SETTING: Twenty qualitative semi-structured interviews were conducted with healthcare staff in primary care roles to inform future interventions to integrate data about past experiences of healthcare discrimination into clinical care. STUDY DESIGN: Qualitative study. DATA COLLECTION/EXTRACTION METHODS: Data were collected via semi-structured qualitative interviews between December 2018 and January 2019, with health care staff in primary care roles at a hospital-based clinic within an urban safety-net health system that serves a patient population with significant racial, ethnic, and linguistic diversity. PRINCIPAL FINDINGS: Providers did not routinely, or in a structured way, elicit information about past experiences of healthcare discrimination. Some providers believed that information about healthcare discrimination experiences could allow them to be more aware of and responsive to their patients' needs and to establish more trusting relationships. Others did not deem it appropriate or useful to elicit such information and were concerned about challenges in collecting and effectively using such data. CONCLUSIONS: While providers see value in eliciting past experiences of discrimination, directly and systematically discussing such experiences with patients during a primary care encounter is challenging for them. Collecting this information in primary care settings will likely require implementation of multilevel systematic data collection strategies. Findings presented here can help identify clinic-level opportunities to do so.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».