Diagnostic inequalities relating to physical healthcare among people with mental health conditions: a systematic review
Notice bibliographique
Résumé
Background: Inaccurate diagnosis of physical health problems in people with mental health conditions may contribute to poorer health outcomes. We review the evidence on whether individuals with mental health conditions are at risk of diagnostic inequalities related to their physical health. Methods: We searched MEDLINE, PsycINFO, Embase, and CINAHL, 1 September 2002-18 Septemebr 2024 (PROSPERO 2022: CRD42022375892). Seventy-nine studies were eligible for inclusion. Risk of Bias (RoB) was assessed using the Newcastle-Ottawa or RoB2 tools and results were presented as a narrative synthesis. Findings: Findings from the included studies suggests that people with mental health conditions face diagnostic inequalities for their physical health. A minority of studies adopted a design that specifically measured professional- and service-related factors associated with diagnostic inequalities. Most studies, however, measured diagnostic endpoints only, meaning that no inference could be made regarding the relative impact of patients' and clinicians' behaviour in producing inequalities. Interpretation: Further investigations should consider the stage of the diagnostic process at which inequalities occur, to improve knowledge of the mechanisms underpinning diagnostic inequalities, and support the development of targeted improvement interventions. Funding: This study is funded by The Health Foundation's grant to the University of Cambridge for The Healthcare Improvement Studies (THIS) Institute. Grant number not applicable.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 | 0,001 |
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 ».