Origin of Sex-Biased Mental Disorders: Do Males and Females Experience Different Selective Regimes?
Notice bibliographique
Résumé
The origins of sex-biased differences in disease and health are of growing interest to both medical researchers and health professionals. Several major factors have been identified that affect sex differences in incidence of diseases and mental disorders. These are: sex chromosomes, sex hormones and female immunity, sexual selection and antagonistic evolution, and differential susceptibility of sexes to environmental factors. These factors work on different time scales and are not exclusive of each other. Recently, a combined Sexual Selection-Sex Hormones (SS-SH) Theory was presented as an evolutionary mechanism to explain sex-biased differences in diseases and mental disorders (Singh in J Mol Evol 89:195-213, 2021). In that paper disease prevalence trends were investigated, and non-sex-specific diseases were hypothesized to be more common in males than in females in general. They showed signs of exceptions to this trend with inflammatory diseases and stress-related mental disorders that were more common in females. We believe that the SS-SH theory requires the consideration of psycho-social stress (PSS) to explain the predominance of female-biased mental disorders and some other exceptions in their findings. Here we present a theory of sex-differential experience of PSS and provide quantitative support for the combined SS-SH-PSS Theory using age-standardized incidence rates (ASIRs) recording the levels of male- and female-bias in data obtained from different countries. The grand theory provides an evolutionary framework for explaining patterns of sex-biased trends in the prevalence of disease and health. Further exploration of women's vulnerability to social factors may help to facilitate new treatments for female-biased diseases.
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 ».