Disparities in grant funding for Chronic rhinosinusitis
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: The objective of this study was to identify the level of grant funding for chronic rhinosinusitis (CRS) with the purpose of elucidating if disparities exist compared to other common chronic diseases. STUDY DESIGN: Review of four major health research grant agencies from the United States (National Institutes of Health), Canada (Canadian Institute of Health Research), and United Kingdom (National Institute of Health Research and Medical Research Council). METHODS: Research operating grants awarded in the fields of CRS, asthma, diabetes, and dementia were identified using database-specific search strategies. Searches were limited to the previous 10 years (2004-2014). Comparator chronic diseases were chosen to have similar prevalence rates and low mortality risk. Research efficiency was calculated as the monetary value of grants awarded per paper published. RESULTS: There is a large disparity in the number of grants awarded for research in CRS (n = 196; $74,774,384), asthma (n = 13,226; $8,358,861,941), diabetes (n = 54,902; $47,282,739,735), and dementia (n = 34,569; $16,709,900,125). In terms of research efficiency, CRS researchers received eight to 12 times less financial support per paper published compared to those in our comparator conditions. CONCLUSIONS: This study has demonstrated that over the last 10 years, CRS is disproportionately underfunded (∼$75 million) compared to other similarly prevalent chronic diseases such as asthma (∼$8.3 billion), diabetes (∼$47.2 billion), and dementia (∼$16.7 billion). We feel this justifies further research into identifying and reducing barriers to obtaining grant support for CRS. LEVEL OF EVIDENCE: NA.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».