MétaCan
Menu
Retour à la cohorte
Enregistrement W4311963595 · doi:10.1038/s41533-022-00306-7

Addressing sex and gender to improve asthma management

2022· review· en· W4311963595 sur OpenAlexaff
Louis‐Philippe Boulet, Kim Lavoie, Chantal Rahérison, Alan Kaplan, Dave Singh, Christine Jenkins

Notice bibliographique

Revuenpj Primary Care Respiratory Medicine · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueAsthma and respiratory diseases
Établissements canadiensUniversity of TorontoCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-MontréalHôpital du Sacré-Cœur de MontréalUniversité du Québec à MontréalUniversité Laval
Organismes subventionnairesManchester Biomedical Research CentreNovartis PharmaNational Institute for Health and Care Research
Mots-clésAsthmaMedicineAffect (linguistics)Asthma managementPregnancyMenstruationSex characteristicsHealth professionalsHealth careFamily medicineImmunologyInternal medicinePsychology

Résumé

récupéré en direct d'OpenAlex

Sex (whether one is 'male' or 'female', based on biological characteristics) and gender (defined by socially constructed roles and behaviors) influence asthma diagnosis and management. For example, women generally report more severe asthma symptoms than men; men and women are exposed to different asthma-causing triggers; men tend to be more physically active than women. Furthermore, implicit, often unintended gender bias by healthcare professionals (HCPs) is widespread, and may result in delayed asthma diagnosis, which can be greater in women than men. The sex and gender of the HCP can also impact asthma management. Pregnancy, menstruation, and menopause can all affect asthma in several ways and may be associated with poor asthma control. This review provides guidance for considering sex- and gender-associated impacts on asthma diagnosis and management and offers possible approaches to support HCPs in providing personalized asthma care for all patients, regardless of their sex or gender.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,969
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,110
Tête enseignante GPT0,375
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuenpj Primary Care Respiratory MedicineMême sujetAsthma and respiratory diseasesTravaux en français237 207