The use of non-person-first language in neuro-ophthalmology referrals
Notice bibliographique
Résumé
Objective To investigate the prevalence of non-person-first language (PFL) in neuro-ophthalmology referrals to a single tertiary ophthalmology clinic. Design Retrospective cross-sectional study. Methods Participants included neuro-ophthalmology patients seen for their initial visit from July 2018 to December 2022. Ten randomly selected referrals from each day were screened. Non-PFL was further categorized as per American Medical Association and American Psychological Association guidelines. Associations between non-PFL and patient age and gender, referring provider gender and specialty, and year and length of referral, were evaluated using the χ 2 test. Results A total of 2105 referrals were included in the study and 81 (3.8%) used non-PFL, such as referring to a person with glaucoma as a "glaucoma patient". Error types included general (38.3%), stigma (25.9%), diabetes (19.8%), disability (13.6%), and obesity (2.5%). Non-PFL was significantly more likely in long referrals compared with medium and short referrals (9.9% vs 3.1% vs 1.3%; p < 0.001). Referral year was predictive of non-PFL ( p = 0.0006), with a significant increase from 2018 (1.7%) to 2021 (6.1%) and decrease in 2022 (2.6%). Patient age was also predictive of non-PFL ( p = 0.0359), with the highest prevalence among patients 40–69 years old (5.4%). Patient gender ( p = 0.3350), referring provider gender ( p = 0.3571), and referring provider specialty ( p = 0.1280) were not predictive of non-PFL. Conclusions The highest proportions of non-PFL errors made were general and stigma errors. Non-PFL use was most prevalent in 2021, most commonly in referrals for patients aged 40–69 years. There exists a need for ongoing education and awareness around PFL use in physician–physician communication to enhance inclusive, nonstigmatizing care for neuro-ophthalmology patients.
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 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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».