Equity-Driven Diagnostic Excellence framework: An upstream approach to minimize risk of diagnostic inequity
Notice bibliographique
Résumé
OBJECTIVES: Diagnostic errors represent the most common and costly preventable patient safety events, with historically marginalized populations disproportionately impacted due to systemic inequities in healthcare. Addressing these disparities requires embedding equity into every facet of the diagnostic process. The aim was to develop, refine, and validate a competency framework for Equity-Driven Diagnostic Excellence (DxEqEx). METHODS: A modified Delphi method was used, involving transdisciplinary diverse healthcare system participants, including patient advocates, physicians, nurses, and other healthcare professionals. Participants were guided through multiple rounds of feedback and ratings, assessing the importance, disciplinary relevance, feasibility, skill acquisition level required, granularity, and representativeness of the DxEqEx framework. RESULTS: Sixteen essential competencies have been identified, categorized into three domains: Intrapersonal, Team-based, and Structural. Participants rated the framework with high importance and strong relevance to their respective disciplines. However, the feasibility of implementing the framework varied, largely due to broader challenges within the healthcare system. The competencies were assessed as requiring a proficient skill level according to Dreyfus' model. The final round maintained strong ratings for granularity and representativeness, which supported the final version of the framework. CONCLUSIONS: The DxEqEx framework holds significant potential to proactively address the needs of historically marginalized patients throughout the diagnostic process. Future research should focus on participatory, resource-efficient implementation.
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 | 0,001 | 0,515 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».