Race-based sampling, measurement and monitoring in health data: promising practices to address racial health inequities and their determinants in Black Canadians
Notice bibliographique
Résumé
INTRODUCTION: Racial health inequities are explained by inequities in access to medicaladvice and treatment, and the physiological effects of inequities in material conditions and everyday life; however, Canadian evidence on racial health inequities is limited. This review describes promising practices in population survey methods and approaches that can strengthen sampling, measurement and monitoring of racial health inequities and determinants of health for population subgroups within Canada-particularly Black Canadians. METHODS: We employed three steps to identify promising practices in Canada's peer countries and their applicability to the Canadian context. First, we conducted a scan of websites based on prior knowledge of population-level health surveys and datasets. Second, we conducted a review of publications from 2010 to 2020 to identify any missed surveys and datasets. Third, we conducted a targeted review of Canadian population-level health surveys and data sources to identify challenges to and opportunities for implementing these promising practices. RESULTS: We identified 20 relevant surveys and data sources from the US, the UK, Australia and New Zealand. In several of Canada's peer countries, information on arealevel racial or ethnic concentration of residents is used to conduct targeted sampling strategies, increasing the non-White sample. Our search of the available Canadian datasets found that Canadian health surveys and administrative sources do not routinely incorporate these strategies. CONCLUSION: Canada could improve the measurement and monitoring of racial health inequities by applying enhanced sampling practices to collect racial data in surveys and improving procedures for administrative and other routinely collected data sources. There are also novel predictive methods being used to improve sampling of non-White groups, though further investigation of these methods is required.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».