Discrimination dans le système de soins de santé parmi les adultes au poids plus élevé : données issues d’une enquête transversale nationale canadienne
Bibliographic record
Abstract
Introduction La stigmatisation sociale liée au poids est corrélée à des résultats négatifs pour la santé. Les systèmes de soins de santé ne sont pas exempts de stigmatisation liée au poids, que ce soit des stéréotypes, des préjugés ou de la discrimination. Cette étude vise à examiner l’association entre la catégorie d’indice de masse corporelle (IMC) et le fait de subir ou non une discrimination dans un contexte de soins de santé. Méthodes Nous avons utilisé les données de l’Enquête sur la santé dans les collectivités canadiennes de 2013, qui intègre pour la première fois à l’échelle nationale des mesures de la discrimination. Une analyse de régression logistique a été utilisée pour évaluer le risque de discrimination autodéclarée en matière de soins de santé chez les adultes (18 ans et plus) en fonction de différentes catégories de poids : non obèse (IMC inférieur à 30 kg/m²), obèse de classe I (IMC entre 30 et moins de 35 kg/m²) et obèse de classe II ou III (IMC de 35 kg/m² ou plus). Résultats Un adulte sur 15 (6,4 %; intervalle de confiance [IC] à 95 % : 5,7 à 7,0 %) a déclaré avoir subi de la discrimination dans un établissement de soins de santé (cabinet de médecin, clinique, hôpital ou autre établissement). Par rapport aux personnes non obèses, le risque de discrimination dans des soins de santé était un peu plus élevé chez les personnes obèses de classe I (rapport de cotes [RC] = 1,20; IC à 95 % : 1,00 à 1,44) et significativement plus élevé parmi celles de classe II ou III (RC = 1,52; IC à 95 % : 1,21 à 1,91), après ajustement pour le sexe, l’âge et diverses caractéristiques socioéconomiques. Conclusion Les expériences quantifiées de discrimination liée au poids soulignent la nécessité de changer les attitudes et les pratiques des praticiens, ainsi que les politiques et les procédures des systèmes de soins de santé. Il est nécessaire d’approfondir la recherche sur les répercussions sociales et économiques de la stigmatisation liée au poids afin de guider des investissements ciblés visant à réduire la discrimination dans les systèmes de soins de santé, qui constituent des microcosmes de la société qu’ils reflètent.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.049 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.014 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".