Rethinking the use of population descriptors in dermatology trials and beyond: disentangling race and ethnicity from skin color
Notice bibliographique
Résumé
IMPORTANCE: Race and ethnicity as population descriptors in research and clinical practice have often been a subject of debate, drawing heightened scrutiny in recent years. Criticism focuses on their oversimplification and misapplication, which fail to capture the complexity of human health and genetic diversity. There is growing recognition that these categories, rooted in outdated social constructs, do not accurately reflect biological differences. OBSERVATIONS: Historically, race and ethnicity have been used as proxies for genetic variation and skin color, despite the understanding that these constructs are not biologically defined. The Skin of Color Society's second Meeting the Challenge Summit, attended by over 100 U.S. and international participants, highlighted several key themes: (1) the need for transparency in the rationale behind using population descriptors and decision-making processes; (2) recognizing the role of race and racism in dermatology; (3) exploring the intersection of dermatology, skin color, and cultural influences; (4) understanding the context of population descriptor usage; (5) developing improved, objective tools for classifying skin color; and (6) advancing research and creating guidelines. CONCLUSIONS AND RELEVANCE: There is an urgent need to reconsider the use of race and ethnicity as population descriptors in dermatology research. Current systems, which conflate social identity with biological markers, perpetuate health disparities and limit the accuracy of clinical data. Moving forward, more specific descriptors such as skin color, alongside socially determined factors, will be crucial in achieving meaningful diversity and inclusivity in clinical research.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».