Considerations of race and ethnicity within rehabilitation studies for post <scp>COVID</scp> ‐19 condition: A scoping review
Notice bibliographique
Résumé
Post COVID-19 condition (PCC) or long COVID disproportionately affects racial and ethnic minority communities. There are a growing number of rehabilitation studies for PCC, however, it has yet to be determined whether existing studies take race and ethnicity into account in their study designs and whether existing rehabilitative approaches are equally effective across diverse racial and ethnic groups. The objective of this study was to describe the extent to which rehabilitation studies of PCC consider race and ethnicity in defining eligibility criteria, planning recruitment strategies, designing intervention delivery and adherence promoting approaches, selecting outcome measures, and reporting results. Of the 4845 studies screened, 23 met eligibility criteria and were included in this review. The most common reason for exclusion was a lack of mention of race or ethnicity anywhere within the article. Among the 23 studies included, 13 studies provided data on the race and/or ethnicity characteristics of their sample, with 88% of participants across all of these studies being White. Less than 25% of studies described the incorporation of race and/or ethnicity in their recruitment strategies (n = 3, 13%) or data analysis (n = 5, 22%). Greater racial and ethnic diversity is needed within rehabilitation studies for PCC as there is currently a significant underrepresentation of racial and ethnic minorities in existing studies. Overall, more PCC rehabilitation studies need to incorporate race and ethnicity into their study designs as it is not well understood whether existing rehabilitation strategies are equally effective across different racial and ethnic groups.
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 | 0,002 | 0,130 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».