MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413611875 · doi:10.1002/acr.25635

Identifying High‐Impact Solutions to Address Racial and Ethnic Health Disparities in Lupus: A Consensus‐Based Approach

2025· article· en· W4413611875 sur OpenAlexafffund
Joy Buie, Michael Fisher, Kristen Backor, Hannah Tyldsley, Ashira Blazer, Candace H. Feldman, Andrea Knight, S. Sam Lim, B. Frank Polk, Ed Yelin, Edith M. Williams, Karen H. Costenbader

Notice bibliographique

RevueArthritis Care & Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueSystemic Lupus Erythematosus Research
Établissements canadiensSickKids FoundationHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesEMD SeronoMallinckrodt PharmaceuticalsGenentechAstraZenecaNovartis Pharmaceuticals CorporationBiogenGlaxoSmithKline
Mots-clésHealth careEquity (law)Health equityMedicaidEthnic groupSocial determinants of healthPublic relationsMedicineMedical educationPsychologyNursingPolitical sciencePublic health

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: We conducted formative research aimed at identifying solutions that address inequitable health outcomes in lupus due to adverse social determinants of health (SDoH). METHODS: We conducted a search for keywords, which provided insights into potential solutions and initiatives underway. An advisory panel of lupus experts iteratively reviewed the list of literature-scoped solutions in working sessions, filling knowledge gaps, which allowed for further defining and classifying solutions based on area of focus, feasibility, and impact. Seven-in-depth semistructured discussions and a modified Delphi survey approach were leveraged to align the advisory panel based on feasibility, impact, and costs of the proposed solutions. RESULTS: Thirty-three solutions were identified and classified into four key categories: financial safety net, patient education and shared decision-making, physician education, and other solutions. High-impact solutions that were prioritized included the following: "collecting granular information like patient-reported outcomes to provide personalized care and accelerate development of new products," "expanding Medicaid coverage via infrastructure," and "supporting people living with lupus in applying and getting approval for disability." CONCLUSION: Addressing health and health care disparities linked to negative SDoH is a key goal in the management of lupus, as disparities in outcomes can be stark. Increasing the visibility of potential solutions and aligning the community on top priorities can enable more efficient and effective contributions to health care equity and ultimately better health outcomes for people living with lupus.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,331
score de la tête « metaresearch » (Gemma)0,249
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,331
Score d'incertitude au seuil0,825

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3310,249
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0030,005
Bibliométrie0,0210,009
Études des sciences et des technologies0,0100,009
Communication savante0,0150,015
Science ouverte0,0080,028
Intégrité de la recherche0,0090,008
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,131
Tête enseignante GPT0,458
Écart entre enseignants0,328 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueArthritis Care & Research→Même sujetSystemic Lupus Erythematosus Research→Travaux en français237 207→