Aller au contenu principal
Accès ouvert déclaré 2026 preprint

Forty-seven percent of pregnancies have stigmatizing language in their clinical notes in an electronic health record cohort

0Citations signalées — pas une note de qualité
2Institutions déclarées
2Pays d’affiliation déclarés

Résumé fourni par la source

Summary Stigmatizing language in medical documentation may reflect and perpetuate bias, but its prevalence in obstetrics has not been systematically quantified. We applied a keyword-guided BERT classifier to 640,345 obstetric notes from 26,178 pregnancies at an academic medical center. Stigmatizing language was detected in 47% of 26,178 pregnancies. Black pregnancies had significantly higher odds of stigmatizing language compared with Asian (aOR=1.5, p=3×10 -8 ) or White (aOR=1.4, p=6×10 -6 ). Indicated and spontaneous preterm births were also significantly associated with stigmatizing language compared to term (aORs=1.5, 1.2; p=7×10 -12 , 0.01). Pregnant individuals with only 12th-grade maternal education were more likely to experience stigma than those with college (aOR=1.5; p=4×10 -14 ). These findings provide evidence of differences in clinical documentation across race, education levels, and clinical conditions. They also demonstrate how automated natural language processing can enable systematic monitoring of bias in healthcare language at scale.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Forty-seven percent of pregnancies have stigmatizing language in their clinical notes in an electronic health record cohort
Date Crossref
28/07/2026
Éditeur
openRxiv
Type
posted-content

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.

Institutions déclarées

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Sujets associés

Machine Learning in HealthcareTopic ModelingElectronic Health Records Systems

BNTIC News n’est pas le producteur de ces données. Recherche à la demande dans Crossref et Europe PMC, sans clé ; OpenAlex reste optionnel. Aucun service payant requis, aucune réponse conservée. Sources et limites.