Examining Potential Implicit Bias in Oncologist-Patient Communication (CONNECT): Protocol for an Observational 2-Site Study
Notice bibliographique
Résumé
BACKGROUND: Compared with White patients, minoritized patients (Black and Hispanic patients) have a higher incidence of advanced solid cancers and have a higher mortality. These patients also report poor patient-centered communication and worse pain assessment and management. Although many factors contribute to these disparities, physician implicit bias may be a contributing factor. OBJECTIVE: The primary goal of this study is to evaluate the role of implicit bias among oncologists and examine the impact on racial or ethnic differences in objective assessments of communication with minority patients with advanced cancer. METHODS: To accomplish this goal, we plan to recruit 65 oncologists and 325 patients (5 patients per oncologist) with advanced solid cancer from ambulatory cancer clinics within the diverse settings of the Mount Sinai Health System in New York City and the Duke University Health System in Durham, NC. We audio record patient-oncologist encounters during a postimaging visit, with 3 encounters for each of the patients. We will analyze the recorded visits and compare the patient-centered communication content of these conversations. Immediately after the recorded visit (no more than 2 weeks later, in order to minimize recall bias), patients are required to complete a follow-up survey to evaluate patient-centered outcomes. A 3-month follow-up survey is used to assess pain levels and control, use of analgesics, and psychological distress. A 6-month follow-up survey is used to assess psychological distress. We administer the Implicit Association Test to oncologists to assess their level of implicit bias toward patients who identify as Black or Hispanic after we finish recording patient encounters. RESULTS: Funding from the National Cancer Institute was received in March 2021. Patient and oncologist recruitment began in March 2022. We have recruited all 65 oncologists in the study, and patient recruitment is ongoing. The study team plans to continue to enroll patients until March 2025. As of December 2024, we have enrolled 245 patients. We expect to publish the findings in October 2026. CONCLUSIONS: In this paper, we outline the study methods, describe the development of a codebook to assess pain conversations being used to evaluate primary and secondary outcomes, and discuss challenges and lessons learned throughout the study. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/66086.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Protocole Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Protocole Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,060 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,007 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».