Recommendations to improve race identification in health records: A rapid scoping review
Notice bibliographique
Résumé
Race is a critical variable in understanding health disparities, yet health databases lack consistent practices for identifying race. This rapid scoping review aimed to examine existing recommendations for identifying race in health databases and highlight gaps in current literature to guide future research. Following the Joanna Briggs Institute methodology and PRISMA-ScR guidelines, searches were conducted in MEDLINE, Embase, and Scopus for relevant literature published between January 2019 and February 2025. Articles were included if they addressed race identification in health databases, were available in English, had full-text access, and were peer-reviewed, knowledge syntheses, or grey literature. All articles were double screened in Covidence, and twenty-one articles were included. Descriptive thematic analysis identified five recommendation categories, including, self-identification and patient-centered practice, standardization across healthcare systems, data quality and completeness, algorithmic and predictive methods, and disaggregated data use and cross sector collaboration. There were common findings on the value of self-identification, cross-system consistency, and tools like natural language processing and imputation models. Some articles emphasized combining multiple strategies to improve system-wide practices, and overall, minimal conflicting evidence was observed. However, gaps remain in operationalizing these recommendations across various healthcare settings. Future directions should prioritize implementation-focused research and cross-jurisdictional comparisons to inform scalable, equity-driven improvements in race data practices. Ultimately, improving the consistency and accuracy of race data will enhance health equity monitoring, guide equitable resource distribution, and inform policies that better reflect the needs of racialized populations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,331 | 0,603 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,009 | 0,016 |
| Bibliométrie | 0,051 | 0,036 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,019 | 0,045 |
| Science ouverte | 0,010 | 0,016 |
| Intégrité de la recherche | 0,013 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,008 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».