Biais implicite au diagnostic : genre, race, âge

Il est deux heures du matin et arrivent, à dix minutes d'intervalle, deux personnes avec une douleur thoracique. Un homme de 58 ans, qui serre le sternum avec la main fermée, et une femme du même âge, qui parle de fatigue, de nausées et d'une pression difficile à décrire. Les deux ont de l'hypertension et fument. L'interne demande l'électrocardiogramme de l'homme avant de terminer l'anamnèse. Pour la femme, la première hypothèse qu'il écrit est anxiété. Personne là ne se considère préjugé, et peut-être personne ne l'est au sens courant du mot. Mais quelque chose, avant toute réflexion consciente, a donné plus de poids à l'un des deux tableaux.

Ce quelque chose a un nom : biais implicite. Ce sont des associations automatiques que nous portons tous sur des groupes de personnes et qui peuvent modifier, sans que nous le remarquions, la façon dont nous interprétons les données d'un patient. Ce guide explique ce qu'est le biais implicite, comment il est mesuré, ce que les revues ont trouvé chez les professionnels de santé, comment il apparaît en lien avec le genre, la race et l'âge et ce qui fonctionne, ou non, pour réduire son effet sur le raisonnement clinique.

Points principaux

• Le biais implicite est une association automatique, hors de la conscience, qui conduit à évaluer une personne selon des caractéristiques sans rapport avec le cas, comme la race ou le genre.
• Des revues systématiques ont trouvé un biais implicite chez les professionnels de santé à des niveaux semblables à ceux de la population générale.
• Le lien entre la mesure du biais et la décision clinique est moins cohérent qu'on ne le dit souvent : certaines études trouvent une association, d'autres non.
• Dans des études avec des patients simulés et des vignettes, la race, le sexe et l'âge ont modifié la probabilité estimée de maladie et les recommandations d'examen et de traitement.
• Des formations courtes changent peu le comportement. Ce qui aide le plus est un processus qui oblige à regarder les données de chaque patient avant le groupe auquel il appartient.

Qu'est-ce que le biais implicite

Des associations qui agissent avant le raisonnement

Le biais implicite est le nom donné à des associations qui fonctionnent hors de la conscience et qui conduisent à évaluer une personne de façon négative sur la base de caractéristiques sans rapport avec le cas, comme la race ou le genre (FitzGerald et Hurst, 2017). Les stéréotypes culturels n'ont pas besoin d'être acceptés consciemment pour influencer la façon dont l'information sur une personne est traitée (Chapman et al., 2013).

En pratique clinique, cela signifie que deux patients avec les mêmes données peuvent recevoir des interprétations différentes. Un symptôme peut sembler plus probable, plus grave ou plus "émotionnel" selon qui le décrit.

Différent du préjugé explicite

Le préjugé explicite est une croyance que la personne reconnaît et déclare. Le biais implicite peut exister chez qui rejette sincèrement toute discrimination. Dans une étude avec des internes, les médecins n'ont rapporté aucune préférence explicite entre patients blancs et noirs, mais les tests d'association ont montré une préférence implicite pour les patients blancs (Green et al., 2007). Cette séparation entre ce qui est déclaré et ce qui est mesuré est au centre du problème.

Pourquoi il entre dans le raisonnement clinique

Le raisonnement clinique dépend de la reconnaissance de schémas, et les schémas se construisent à partir de groupes : "douleur thoracique chez un homme fumeur", "fatigue chez une personne âgée". C'est un outil utile quand le groupe modifie réellement la probabilité de la maladie. Le problème commence quand le groupe pèse plus que les données du patient, ou quand l'association apprise ne correspond pas à l'épidémiologie réelle. Le guide des exemples d'heuristiques dans le raisonnement clinique montre quand ces raccourcis aident et quand ils gênent.

Ce que ce texte n'est pas

Ce texte traite de l'effet du biais sur le diagnostic et la décision clinique. Les inégalités d'accès, de système et de société sont plus grandes que le raisonnement de chaque médecin, et n'ont pas leur place ici. Elles comptent, mais exigent d'autres réponses que celles qu'un étudiant peut entraîner seul.

Comment le biais implicite est mesuré

Le test d'association implicite

L'outil le plus utilisé est le test d'association implicite, ou IAT. Il mesure le temps de réaction pour associer des concepts, comme des visages de groupes différents et des mots positifs ou négatifs. De petites différences de temps, additionnées sur de nombreux essais, produisent un score d'association automatique. Dans une revue d'études menées entre 2003 et 2013, 17 articles ont utilisé une mesure implicite, dont 15 avec l'IAT (FitzGerald et Hurst, 2017).

Vignettes et patients simulés

La deuxième méthode repose sur des vignettes cliniques identiques où seule une caractéristique du patient change, comme la race, le sexe ou l'âge. La même revue a inclus 25 articles avec ce schéma, qui n'isole pas l'attitude implicite, mais qui est accepté par les chercheurs du domaine comme un moyen de détecter la possible présence du biais (FitzGerald et Hurst, 2017). Certaines études utilisent des acteurs ou des vidéos, ce qui rapproche la situation d'une consultation réelle.

Les limites de la mesure

Une revue systématique portant sur des médecins urgentistes a critiqué l'usage prédominant des vignettes et conclu que, si la préférence implicite pour les personnes blanches était courante, les preuves qu'elle modifie la décision clinique étaient limitées et de faible qualité (Dehon et al., 2017). Cela ne signifie pas que le biais n'a pas d'importance, mais qu'un score à un test ne prédit pas, à lui seul, ce qu'un médecin fera avec un patient.

Ce que montrent les revues

Les professionnels de santé ont des biais comme tout le monde

Dans une revue de 42 articles, 35 ont trouvé des preuves de biais implicite chez les professionnels de santé, et toutes les études qui cherchaient une corrélation ont trouvé un lien entre plus de biais et une moins bonne qualité des soins (FitzGerald et Hurst, 2017). Les auteurs ont conclu que ces professionnels présentent les mêmes niveaux de biais implicite que la population générale (FitzGerald et Hurst, 2017).

Race et ethnicité

Une revue de 15 études a trouvé des niveaux faibles à modérés de biais implicite racial ou ethnique chez les professionnels de santé dans toutes sauf une (Hall et al., 2015). Le biais était significativement associé à l'interaction entre professionnel et patient, aux décisions de traitement, à l'adhésion et aux résultats de santé, même si certaines associations n'étaient pas significatives (Hall et al., 2015).

Une autre revue, portant sur 37 études ayant utilisé l'IAT, a trouvé un biais contre les personnes noires, hispaniques, autochtones ou à la peau foncée dans 31 d'entre elles (Maina et al., 2018). Sur les 14 qui testaient le lien avec les soins dans des vignettes ou des patients simulés, 8 n'ont pas trouvé d'association significative et 6 en ont trouvé (Maina et al., 2018). Les 7 qui ont observé des consultations réelles ont trouvé une moins bonne communication entre les professionnels ayant un biais plus fort et leurs patients (Maina et al., 2018).

La taille de l'effet dans la formation médicale

Une méta-analyse de 29 études avec l'IAT a estimé un biais implicite racial faible, mais présent, tant chez les médecins que chez les étudiants en médecine (Ahadinezhad et al., 2022). Faible ne veut pas dire sans importance : un effet faible répété dans des milliers de décisions par an change les soins de beaucoup de gens.

Un résumé des preuves

Source	Ce qu'elle a réuni	Ce qu'elle a trouvé
FitzGerald et Hurst, 2017	42 articles avec des professionnels de santé	Biais dans 35 d'entre eux ; niveaux semblables à ceux de la population générale
Hall et al., 2015	15 études sur la race et l'ethnicité	Biais faible à modéré dans presque toutes ; association avec l'interaction et le traitement dans une partie d'entre elles
Maina et al., 2018	37 études avec l'IAT	Biais dans 31 ; association avec les soins dans 6 des 14 études avec vignettes
Dehon et al., 2017	9 études avec des médecins	Préférence implicite courante ; lien avec la décision dans 2, de faible qualité
Ahadinezhad et al., 2022	29 études avec l'IAT	Biais racial faible chez les médecins et les étudiants

Chaque ligne donne le lien de la revue d'où viennent les chiffres.

Le genre dans le diagnostic

Douleur thoracique et probabilité estimée

Une étude classique a utilisé des acteurs représentant des patients souffrant de douleur thoracique dans des entretiens enregistrés, avec des scénarios identiques et en changeant la race, le sexe et l'âge (Schulman et al., 1999). 720 médecins de soins primaires y ont participé. La probabilité estimée de maladie coronarienne était plus faible pour les femmes, 64,1 %, que pour les hommes, 69,2 % (Schulman et al., 1999).

Même en contrôlant la probabilité estimée, le type de douleur et le résultat du test d'effort, les femmes avaient moins de chances d'être orientées vers un cathétérisme, avec un rapport de cotes de 0,60 (Schulman et al., 1999). La scène d'ouverture de ce texte est fictive, mais le schéma qu'elle décrit s'appuie sur ce type d'étude.

Une douleur sous-estimée

Dans trois études portant sur 532 participants ayant regardé des vidéos de personnes réelles souffrant de douleur, les observateurs ont davantage sous-estimé la douleur des femmes noires et d'autres ethnies non blanches que celle de tout autre groupe (Ruben et Stosic, 2024). L'intersection du genre et de la race a pesé plus lourd que chaque caractéristique prise isolément.

Quand l'« émotionnel » clôt le cas

En pratique, le biais de genre apparaît souvent sous la forme d'une explication psychologique donnée trop tôt. L'anxiété, le stress et la somatisation sont de vrais diagnostics, mais lorsqu'ils surgissent comme première hypothèse avant d'écarter des causes organiques graves, ils deviennent une forme de clôture prématurée. Le guide sur le biais affectif traite du moment où l'émotion du médecin entre dans la décision ; ici, le risque est l'émotion attribuée à la patiente.

La race dans le diagnostic

Thrombolyse et préférence implicite

La première étude à mesurer le biais implicite des médecins et à tester s'il prédisait une décision clinique a utilisé une vignette de syndrome coronarien aigu, avec la race du patient tirée au sort, appliquée à 287 résidents de médecine interne et d'urgence (Green et al., 2007). Plus la préférence implicite pour les personnes blanches était forte, plus la chance d'indiquer une thrombolyse au patient blanc et non au patient noir augmentait (Green et al., 2007).

Dans l'étude avec des acteurs, les patients noirs avaient aussi moins de chances d'être orientés vers un cathétérisme, avec un rapport de cotes de 0,60, et les femmes noires avaient encore moins de chances que les hommes blancs (Schulman et al., 1999).

De fausses croyances sur le corps

Une étude menée auprès d'étudiants en médecine et de résidents blancs a montré que la moitié d'entre eux admettaient au moins une croyance fausse sur des différences biologiques entre Noirs et Blancs, comme celle selon laquelle la peau des personnes noires serait plus épaisse (Hoffman et al., 2016). Ceux qui admettaient ces croyances évaluaient la douleur du patient noir comme plus faible et faisaient des recommandations de traitement moins précises (Hoffman et al., 2016). C'est un biais qui se corrige par la connaissance : les fausses croyances apprises doivent être désapprises.

Quand le biais est dans l'instrument

Une partie du biais réside dans l'équipement lui-même, hors de l'esprit du médecin. Dans une étude portant sur plus de 30 000 paires de lectures d'oxymétrie de pouls et de gazométrie artérielle chez des patients hospitalisés, l'hypoxémie occulte, celle que la gazométrie détecte et que l'oxymètre ne détecte pas, était plus fréquente chez les patients noirs : 19,6 % contre 15,6 % chez les patients blancs avec une saturation de pouls égale ou supérieure à 92 % (Valbuena et al., 2022). Le savoir change le raisonnement : un chiffre rassurant peut mériter une vérification quand le tableau ne concorde pas.

L'âge dans le diagnostic

L'âgisme et la santé

Une revue systématique ayant réuni des études de 45 pays a montré que l'âgisme était lié à de moins bons résultats de santé dans 95,5 % des études (Chang et al., 2020). L'effet apparaissait indépendamment de l'âge, du sexe et de la race de la personne qui pratiquait l'âgisme (Chang et al., 2020), ce qui inclut les jeunes professionnels comme les plus âgés.

« C'est l'âge »

La forme la plus courante d'âgisme dans le raisonnement clinique consiste à attribuer un nouveau symptôme au vieillissement. Un essai récent décrit une patiente de 72 ans dont les symptômes ont été traités comme un vieillissement normal et dont le cancer a été diagnostiqué tardivement (Cheung, 2026). Le texte désigne l'ancrage sur l'âge, à la place de l'évaluation individuelle, comme le mécanisme de l'erreur (Cheung, 2026).

L'âge modifie aussi la probabilité

L'âge est une donnée clinique légitime : il modifie la probabilité de nombreuses maladies. Dans l'étude des acteurs, la probabilité estimée de maladie coronarienne était plus faible pour les patients de 55 ans que pour ceux de 70 ans (Schulman et al., 1999), ce qui a un sens épidémiologique. La question n'est pas de savoir si l'âge doit entrer dans le raisonnement, mais s'il remplace les autres données. Le guide sur le taux de base dans le diagnostic explique comment utiliser la prévalence sans la laisser clore le cas.

Signes que l'âge a pesé trop lourd

Certaines phrases dans le dossier ou dans la discussion du cas indiquent souvent que le groupe d'âge a pris la place de l'évaluation individuelle. Il vaut la peine de s'arrêter quand vous vous surprenez à écrire ou à entendre :

• "Normal pour l'âge", sans comparaison avec l'état antérieur de la personne elle-même.
• "Patient âgé, confus", sans mention de son état avant le tableau actuel.
• "Cela ne vaut pas la peine d'explorer", décidé avant de parler au patient de ce qu'il souhaite.
• "C'a toujours été comme ça", dit par quelqu'un qui connaît le patient depuis peu.
• "Douleur chronique de l'âge", pour une douleur apparue il y a quelques jours.

Chacune de ces phrases peut être juste. Elles ne peuvent simplement pas remplacer la question centrale : qu'est-ce qui a changé chez cette personne, et qu'est-ce qui explique ce changement ? Recueillir l'histoire en prêtant attention à ce qui est nouveau pour le patient est la première étape, et le guide sur les signes, les symptômes et l'histoire montre comment organiser ce recueil. À l'inverse, il existe aussi l'erreur opposée : explorer de façon agressive, sans dialogue, un tableau que la personne et sa famille préféreraient suivre de près. Individualiser vaut dans les deux sens.

Que faire de son propre biais

Ce que font les formations courtes

Une méta-analyse de 492 études sur les procédures visant à modifier les mesures implicites a trouvé que ces mesures peuvent changer, mais avec des effets généralement faibles et de courte durée (Forscher et al., 2019). Plus important : les changements dans les mesures implicites ne se sont pas traduits par des changements de comportement (Forscher et al., 2019). Faire un test, découvrir qu'on a un biais et assister à une conférence aide peu lors de la prochaine garde.

Ce qui semble aider davantage

Deux stratégies apparaissent plus souvent dans la littérature sur les médecins : adopter consciemment la perspective du patient et se concentrer intentionnellement sur ses informations individuelles, séparées du groupe social auquel il appartient (Chapman et al., 2013). Dans une étude avec des observateurs de vidéos de douleur, une intervention fondée sur la pratique avec retour immédiat a réduit le biais dans l'évaluation de la douleur davantage que des formations de sensibilisation (Ruben et Stosic, 2024).

Questions de vérification en consultation

Une façon pratique d'individualiser est d'utiliser des questions fixes aux moments de décision. Le tableau ci-dessous est une proposition éditoriale, sans test formel, fondée sur les stratégies décrites plus haut.

Moment	Question	Ce qu'elle protège
Première hypothèse	Écrirais-je la même hypothèse si ce patient était d'un autre sexe, d'une autre race ou d'un autre âge ?	Fermeture prématurée par le groupe
Explication psychologique	Ai-je déjà écarté les causes organiques graves avec les données dont je dispose ?	Diagnostic émotionnel trop précoce
Symptôme attribué à l'âge	Ce symptôme est-il nouveau pour cette personne, ou seulement courant dans cette tranche d'âge ?	"C'est l'âge"
Douleur	Est-ce que j'évalue la douleur par le récit et par l'examen, ou par l'expression ?	Douleur sous-estimée
Chiffre rassurant	L'appareil a-t-il une limite connue chez ce patient ?	Biais de l'instrument

Habitudes pour le quotidien

• Écrivez l'hypothèse principale et deux alternatives avant de penser au "profil" du patient.
• Listez les données qui soutiennent l'hypothèse, et non les caractéristiques du groupe.
• Quand l'hypothèse est psychologique, notez ce qui a été écarté auparavant.
• Demandez à un collègue de lire le cas sans les informations démographiques en cas de doute.
• Revoyez vos cas d'erreur en cherchant des motifs : les patients mal évalués se ressemblaient-ils entre eux ?

En formation

Les étudiants arrivent à l'internat avec des associations déjà formées par les livres, les cours et les cas d'examen, dont beaucoup ont le "patient typique" toujours du même profil. Le texte sur le curriculum caché en médecine montre comment ce qui s'apprend hors du cours façonne le comportement. Varier le profil des patients dans les cas d'étude est une façon simple de ne pas renforcer ces associations.

Comment NEXO aide à raisonner à partir des données

Des indices avant le profil

Dans NEXO, chaque cas arrive avec jusqu'à six indices progressifs, et le joueur reçoit un retour par proximité dans la CIM-10 en cinq niveaux. Ce sont des cas fictifs avec une présentation clinique réelle. Ce format invite à raisonner à partir des données qui apparaissent dans chaque indice et à noter ce qui vous a fait changer ou maintenir votre hypothèse.

Revoir son propre schéma

En revoyant les cas où vous vous êtes trompé, il vaut la peine de regarder le profil du patient fictif et de vous demander s'il a pesé dans votre hypothèse. La répartition des bonnes réponses par indice, sur l'écran d'accueil, montre à quel moment du cas vous arrivez habituellement au diagnostic. Si vous remarquez que vous vous trompez plus souvent sur certains types de présentation, c'est un point à travailler. Pour découvrir le jeu, lisez ce qu'est NEXO. Les limites d'usage sont dans économie de NEXO.

Pour la recherche et l'écriture de cas

Si vous étudiez les biais du raisonnement clinique, la page des Researcher explique comment participer. Ceux qui écrivent ou révisent des cas peuvent découvrir la Curator. La diversité des profils dans les cas est un thème qui a sa place dans cette révision.

Questions fréquentes

Qu'est-ce qu'un biais implicite en médecine ?

C'est une association automatique, hors de la conscience, qui peut amener le professionnel à évaluer un patient différemment selon des caractéristiques comme la race, le genre ou l'âge, sans qu'il s'en rende compte (FitzGerald et Hurst, 2017).

Avoir un biais implicite signifie-t-il être préjugé ?

Cela signifie avoir des associations que tout le monde apprend dans son environnement. Des médecins qui ne déclaraient aucune préférence explicite montraient une préférence implicite au test (Green et al., 2007). Ce qui compte, c'est ce que vous faites pour que ces associations ne décident pas à la place du patient.

Le test d'association implicite prédit-il ce que le médecin va faire ?

Il prédit peu et de façon incohérente. Dans une revue, 6 études sur 14 avec vignettes ou patients simulés trouvaient une association entre le biais mesuré et les soins (Maina et al., 2018), et une autre revue a jugé ces données de faible qualité (Dehon et al., 2017).

Les formations contre les biais fonctionnent-elles ?

Les formations courtes modifient peu les mesures implicites et presque pas le comportement (Forscher et al., 2019). Les pratiques qui obligent à se concentrer sur les données individuelles du patient et l'entraînement avec retour immédiat semblent plus prometteurs (Chapman et al., 2013 ; Ruben et Stosic, 2024).

L'âge du patient ne devrait-il pas entrer dans le raisonnement ?

Si, car il modifie la probabilité de nombreuses maladies. Le problème, c'est quand l'âge remplace l'évaluation individuelle et qu'un symptôme nouveau est attribué au vieillissement sans investigation (Cheung, 2026).

Quel est le lien entre NEXO et le biais implicite ?

NEXO présente des cas fictifs en jusqu'à six indices, ce qui permet d'entraîner l'habitude de raisonner à partir des données de chaque indice et de revoir ensuite ses propres erreurs. Aucune étude citée ici ne mesure NEXO.

Checklist du biais implicite

1. Écrivez l'hypothèse et deux alternatives avant de penser au profil du patient.
2. Listez les données qui soutiennent l'hypothèse, et non les caractéristiques du groupe.
3. Demandez-vous si vous écririez la même hypothèse pour un patient d'un autre sexe, d'une autre race ou d'un autre âge.
4. Écartez les causes graves avant de retenir une explication psychologique.
5. Traitez le symptôme nouveau comme nouveau, même s'il est fréquent dans la tranche d'âge.
6. Évaluez la douleur par le récit et par l'examen, avec la même échelle pour tous.
7. Vérifiez les chiffres rassurants quand le tableau ne correspond pas à ceux-ci.
8. Corrigez les fausses croyances sur les différences biologiques chaque fois que vous en rencontrez.
9. Revoyez vos erreurs en cherchant des schémas de profil parmi les patients mal évalués.
10. Variez le profil des patients dans les cas que vous étudiez.

Vous voulez entraîner le raisonnement à partir des données de chaque indice ? Jouez le cas du jour sur NEXO.

Références

1. FitzGerald C, Hurst S. Implicit bias in healthcare professionals: a systematic review. BMC Med Ethics. 2017. https://pubmed.ncbi.nlm.nih.gov/28249596/
2. Hall WJ, Chapman MV, Lee KM, Merino YM, Thomas TW, Payne BK, et al. Implicit Racial/Ethnic Bias Among Health Care Professionals and Its Influence on Health Care Outcomes: A Systematic Review. Am J Public Health. 2015. https://pubmed.ncbi.nlm.nih.gov/26469668/
3. Maina IW, Belton TD, Ginzberg S, Singh A, Johnson TJ. A decade of studying implicit racial/ethnic bias in healthcare providers using the implicit association test. Soc Sci Med. 2018. https://pubmed.ncbi.nlm.nih.gov/28532892/
4. Dehon E, Weiss N, Jones J, Faulconer W, Hinton E, Sterling S. A Systematic Review of the Impact of Physician Implicit Racial Bias on Clinical Decision Making. Acad Emerg Med. 2017. https://pubmed.ncbi.nlm.nih.gov/28472533/
5. Ahadinezhad B, Khosravizadeh O, Maleki A, Hashtroodi A. Implicit racial bias among medical graduates and students by an IAT measure: a systematic review and meta-analysis. Ir J Med Sci. 2022. https://pubmed.ncbi.nlm.nih.gov/34495481/
6. Chapman EN, Kaatz A, Carnes M. Physicians and implicit bias: how doctors may unwittingly perpetuate health care disparities. J Gen Intern Med. 2013. https://pubmed.ncbi.nlm.nih.gov/23576243/
7. Green AR, Carney DR, Pallin DJ, Ngo LH, Raymond KL, Iezzoni LI, et al. Implicit bias among physicians and its prediction of thrombolysis decisions for black and white patients. J Gen Intern Med. 2007. https://pubmed.ncbi.nlm.nih.gov/17594129/
8. Schulman KA, Berlin JA, Harless W, Kerner JF, Sistrunk S, Gersh BJ, et al. The effect of race and sex on physicians' recommendations for cardiac catheterization. N Engl J Med. 1999. https://pubmed.ncbi.nlm.nih.gov/10029647/
9. Hoffman KM, Trawalter S, Axt JR, Oliver MN. Racial bias in pain assessment and treatment recommendations, and false beliefs about biological differences between blacks and whites. Proc Natl Acad Sci U S A. 2016. https://pubmed.ncbi.nlm.nih.gov/27044069/
10. Ruben MA, Stosic MD. Documenting Race and Gender Biases in Pain Assessment and a Novel Intervention Designed to Reduce Biases. J Pain. 2024. https://pubmed.ncbi.nlm.nih.gov/38692397/
11. Valbuena VSM, Seelye S, Sjoding MW, Valley TS, Dickson RP, Gay SE, et al. Racial bias and reproducibility in pulse oximetry among medical and surgical inpatients in general care in the Veterans Health Administration 2013-19: multicenter, retrospective cohort study. BMJ. 2022. https://pubmed.ncbi.nlm.nih.gov/35793817/
12. Chang ES, Kannoth S, Levy S, Wang SY, Lee JE, Levy BR. Global reach of ageism on older persons' health: A systematic review. PLoS One. 2020. https://pubmed.ncbi.nlm.nih.gov/31940338/
13. Cheung K. The Silent Threat to Clinical Excellence: Ageism in Medicine. J Gen Intern Med. 2026. https://pubmed.ncbi.nlm.nih.gov/41239116/
14. Forscher PS, Lai CK, Axt JR, Ebersole CR, Herman M, Devine PG, et al. A meta-analysis of procedures to change implicit measures. J Pers Soc Psychol. 2019. https://pubmed.ncbi.nlm.nih.gov/31192631/