改善健康记录中的种族识别的建议:快速范围审查

科学领域:

• 健康 公平 研究 健康 公平 研究
• 在医疗保健中的数据科学.
• 公共卫生政策 公共卫生政策

背景情况:

• 健康差异在很大程度上受到种族的影响,但卫生数据库缺乏标准化的种族识别方法.
• 不一致的种族数据阻碍了准确的健康差异分析和公平的资源分配.
• 现有的文献提供了建议,但缺乏实际实施指导.

研究的目的:

• 对健康数据库中种族识别的现有建议进行审查.
• 识别有关种族数据实践的当前文献中的差距.
• 引导未来的研究,以提高种族数据的一致性和准确性.

主要方法:

• 根据乔安娜·布里格斯研究所的方法和PRISMA-ScR指南进行快速范围审查.
• 在MEDLINE,Embase和Scopus (2019年1月至2025年2月) 中进行的搜索.
• 纳入标准:健康数据库中的种族识别,英语,全文,同行评审/知识综合/灰色文献;通过双重选纳入21篇文章.

主要成果:

• 出现了五个关键的建议类别:自我识别,标准化,数据质量,算法方法和分类数据使用.
• 共同的主题包括自我识别的重要性,跨系统的一致性,以及利用NLP和归算等工具.
• 发现的相互矛盾的证据很少,重点是结合全系统改进策略.

结论:

• 在各种各样的医疗保健环境中,在运行种族识别建议方面仍然存在重大差距.
• 未来的研究应该集中在实施策略和跨司法管辖区的比较,以获得可扩展的改进.
• 提高种族数据的一致性和准确性对于监测健康公平,指导资源分配和告知政策至关重要.