The Contribution of Gender to Apparent Sex Differences in Health Status Among Patients with Coronary Artery Disease
Notice bibliographique
Résumé
BACKGROUND: While it has been identified that gender (socially manufactured roles, behaviors, expressions, and identities) plays a central role in men's and women's health, the distinction between gender and sex (biological attributes) has largely been ignored in health science research. The purpose of this study was to look at the unique contributions of sex, age, and the Gender Index (GI) to baseline health status in a cohort of patients with coronary artery disease (CAD). PARTICIPANTS AND METHODS: Questions that comprised the GI were included in the follow-up questionnaire sent to patients in the APPROACH registry. To examine the relationship between sex, gender, and health status, a sequential linear regression modeling approach was used. RESULTS: A total of 632 patients completed the GI between July and August 2015. The women were significantly older (68 years vs. 66 years, p = 0.02) and significantly more likely to have hypertension (50.8% vs. 38.8%, p = 0.02) compared to the men. Women reported significantly lower mean Seattle Angina Questionnaire (SAQ) scores compared to men. The inclusion of age into the models did not change the relationship between sex and the SAQ scales. However, the inclusion of the GI attenuated the relationship between sex and the SAQ scale scores. CONCLUSIONS: Our results support the concept that sex differences in health status outcomes may be better explained by patient's gender-related characteristics, than biological sex characteristics. More importantly, the GI offers a pragmatic composite score to assess the effects of psychosocial factors that researchers interested in measuring gender could use in studies of subjects with CAD.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».