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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».