Discrepancies Between Observed and Self-Classified Race in Spirometry Interpretation: Insights from the Canadian Longitudinal Study on Aging
Notice bibliographique
Résumé
<bold>Background:</bold> An underexplored issue with race-specific lung function reference equations is the inaccuracies in collecting race data. We evaluated disproportionate impact of these inaccuracies on visible minorities. <bold>Methods:</bold> Using 2011-2021 data from the Canadian Longitudinal Study on Aging, we compared patients’ self-classified race with race observed by spirometry lab technicians and evaluated impacts of racial misclassification on FEV<sub>1</sub> Z-scores calculated with GLI-2012 equations. We used survey logistic regression to study the association between self-classified race and racial misclassification, controlling for age, sex, province, and social standing. <bold>Results:</bold> Among 21,319 individuals with high-quality spirometry, self-classified and observed race varied in 1% of White participants, while it ranged from 19% to 77% among visible minority groups (Figure 1) with differential impact on FEV<sub>1</sub> Z-scores (Figure 2). <bold>Conclusions:</bold> Racial misclassifications can make race-specific reference equations disproportionately less accurate for many visible minority groups. <fig><object-id>erj;66/suppl_69/PA3720/F1</object-id><object-id>F1</object-id><object-id>F1</object-id><graphic></graphic></fig> <fig><object-id>erj;66/suppl_69/PA3720/F2</object-id><object-id>F2</object-id><object-id>F2</object-id><graphic></graphic></fig>
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».