Harnessing the Power of Sex Differences: What a Difference Ten Years Did Not Make
Notice bibliographique
Résumé
Abstract Sex differences exist in many neurological and psychiatric diseases. Mandates have been initiated across funding agencies for research to include males and females. What has been lacking in the literature is a detailed assessment of how sex is incorporated into the design (e.g. balanced design) and into the analyses (e.g. covariate). We surveyed papers in 2009 and 2019 across six journals in Neuroscience and Psychiatry. There was a 30% increase in the percentage of papers that included both sexes to 68% in 2019. Despite this increase, in 2019 only 19% of studies used an optimal design for discovery of possible sex differences and only 5% analyzed sex as a discovery variable. Here we show that little progress has been made in harnessing the power that sex differences can afford in research for discovery and therapeutic potential for neurological and psychiatric disease to improve the health of men, women and gender diverse individuals. Highlights 68% of Neuroscience and Psychiatry papers reported the use of both sexes in 2019 Only 19% of studies in 2019 used sex consistently throughout the study analyses Of the studies that used males and females, 59% did not include sex in the analyses Only 5% of studies in 2019 used sex as a discovery variable in their analyses Male only papers were 8.4 times more prevalent than female-only papers
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,155 | 0,300 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,009 | 0,020 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».