Notice bibliographique
Résumé
A wide range of terms are used to describe gender-diverse people, including transgender, gender-fluid, gender-queer, non-binary, and two‑spirit, reflecting the diversity of the community itself. Transgender and gender-diverse patients (TGDP) may experience gender dysphoria—the distress that arises when their gender identity does not align with the sex assigned at birth. TGDP are estimated to represent between 0.1% and 2% of the global population; in Canada, the 2019 census reported a prevalence of 0.35%. Access to gender-affirming care is strongly linked to improved health outcomes. One study found that suicidal ideation decreased from 67% prior to transition to just 3% afterward. Yet, despite the clear benefits, TGDP continue to face major barriers to care. According to the Trans PULSE survey, as of 2019, only 35% of respondents had completed their medical transition. Even in general healthcare, access remains inequitable: while 81% of respondents reported having a primary care provider (PCP), only 52% felt comfortable discussing trans‑related health issues with their PCP, and over 40% reported having an unmet healthcare need. These disparities reflect the ongoing impact of transphobia and prior trauma within healthcare systems, and as a result, TGDP face disproportionate health burdens compared to the general population, including lower rates of cancer screening, higher rates of mental health disorders, and sexually transmitted infections (Figure 1). Addressing these inequities requires urgent action to expand access to gender-affirming hormone therapy, surgery, and mental health care. Equally important, healthcare systems must adopt inclusive policies and practices that improve access to all forms of care for TGDP. This article outlines practical measures that any healthcare practice can implement to create a more welcoming and affirming environment.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».