The sex and gender dimensions of COVID-19: A narrative review of the potential underlying factors
Notice bibliographique
Résumé
Multiple lines of evidence indicate that the male sex is a significant risk factor for severe disease and mortality due to coronavirus disease 2019 (COVID-19). However, the precise explanation for the discrepancy is currently unclear. Immunologically, the female-biased protection against COVID-19 could presumably be due to a more rapid and robust immune response to viruses exhibited by males. The female hormones, e.g., estrogens and progesterone, may have protective roles against viral infections. In contrast, male hormones, e.g., testosterone, can act oppositely. Besides, the expression of the ACE-2 receptor in the lung and airway lining, which the SARS-CoV-2 uses to enter cells, is more pronounced in males. Estrogen potentially plays a role in downregulating the expression of ACE-2, which could be a plausible biological explanation for the reduced severity of COVID-19 in females. Comorbidities, e.g., cardiovascular diseases, diabetes, and kidney disorders, are considered significant risk factors for severe outcomes in COVID-19. Age-adjusted data shows that males are statistically more predisposed to these morbidities-amplifying risks for males with COVID-19. In addition, many sociocultural factors and gender-constructed behavior of men and women impact exposure to infections and outcomes. In many parts of the world, women are more likely to abide by health regulations, e.g., mask-wearing and handwashing, than men. In contrast, men, in general, are more involved with high-risk behaviors, e.g., smoking and alcohol consumption, and high-risk jobs that require admixing with people, which increases their risk of exposure to the infection. Overall, males and females suffer differently from COVID-19 due to a complex interplay between many biological and sociocultural factors.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».