Advancing equity in healthcare systems: understanding implicit bias and infant mortality
Notice bibliographique
Résumé
Using data from the Centers for Disease Control and Prevention’s Wide-ranging Online Data for Epidemiologic Research (CDC WONDER) and Project Implicit, this study examined whether anti-Black implicit racial biases predict infant mortality for Black Americans. We examined state-level mean Black-White Implicit Association Test (BW-IAT) Bias Scores and controlled for explicit bias scores and White infant mortality rates for over 1.7 million American participants across ten different ethnoracial groups between 2018–2020. Hierarchical linear regressions determined state-level anti-Black implicit bias significantly predicted state-level Black infant mortality rates, above and beyond explicit bias and White infant mortality, in 2018 ( b = .32, t (34) = 2.09, p < .05), 2019 ( b = .30, t (34) = 2.09, p < .05), and 2020 ( b = .32, t (34) = 2.18, p < .05). State-level anti-Black implicit bias also explained a significant proportion of variance in state-level infant mortality rates, in 2018 ( R 2 = 0.30, F( 3, 35) = 4.89, p < 0.01), 2019 ( R 2 = .33, F (3, 36) = 5.95, p < .01), and 2020 ( R 2 = .39, F (3, 35) = 7.58, p < .001). Also, among healthcare professionals, there are similar levels of implicit biases compared to the general American population. Findings suggest that implicit racial bias is a risk factor for Black infant mortality. These findings also point to the ethical challenge implicit biases pose to equitable decision-making and patient-provider relationships in healthcare. By integrating these insights into interdisciplinary discussions, this study provides supporting data for systemic reforms and anti-bias training to create a healthcare system grounded in fairness and equity.
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 | 0,022 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».