Characterizing Stigmatizing and Biased Language in Clinical Pharmacist Documentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Introduction Biased language in documentation can perpetuate stigma, influence treatment decisions, and impact provider–patient relationships. As any person seeking care at acute care hospitals may face stigma, particularly those with substance use or mental health disorders, unbiased documentation is crucial. We sought to determine the prevalence of stigmatizing and biased language in electronic health records written by clinical pharmacists. Methods This study was conducted at two acute care teaching hospitals, St. Paul's and Mount Saint Joseph Hospitals in Vancouver, British Columbia, Canada. A list of stigmatizing and biased terms was compiled through literature review and expert consensus. A retrospective, observational, cross‐sectional study of clinical pharmacist notes was performed using a data‐mining algorithm to identify these terms. A content analysis was conducted to explore the ways this terminology was used and to uncover new themes not previously documented in the literature. Results Between November 16, 2019, and September 30, 2023, of 135 671 clinical pharmacist notes reviewed, 42 192 (31.1%) contained at least one stigmatizing or biased term. Commonly identified terms included: compliance, noncompliance, refuses, denies, and smoker. All themes previously documented in the literature (e.g., leading with race/socioeconomic status, incorrect pronouns, employing quotations to suggest lack of credibility) were observed. Additionally, new themes emerged, including the use of punctuation or formatting to amplify the stigmatizing tone and the role of electronic health records in perpetuating stigma. Discussion Stigmatizing language was found in 31.1% of clinical pharmacist notes. Findings from this study are assisting in the development of a multimodal educational intervention aimed at reducing the prevalence of stigmatizing language in clinical pharmacist documentation.
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.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,002 |
| 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 découle