Female sex-specific considerations to improve rigor and reproducibility in cardiovascular research
Notice bibliographique
Résumé
Cardiovascular disease is the leading cause of death in women. Despite recognition of sex-specific differences in cardiovascular health, females are underrepresented across all aspects of cardiovascular research, playing a key role in reducing rigor and reproducibility in cardiovascular research and contributing to these poorer health outcomes. Therefore, we propose a framework to capture factors associated with the female sex at the preclinical, recruitment, data collection, and data analysis stages. In preclinical cardiovascular research, female experimental models are commonly excluded despite similar variability in findings compared with males. To reduce this sex bias, the inclusion of female models and the incorporation of sex as a biological variable are critical to improve reproducibility and inform clinical research and care. Although funding agencies have mandated the inclusion of women in clinical trials, greater efforts are needed to achieve optimal participation-to-prevalence ratio to increase the generalizability of results to real-world settings. Female participants face more stringent exclusion criteria in research compared with males owing to sex-specific factors. However, their routine exclusion from cardiovascular research is not only unethical but limits generalizability and applicability to clinical practice. Identifying sex assigned at birth, collecting information on female sex-specific and -predominant factors associated with cardiovascular health and risk, and stratifying data by sex, including adverse events, are essential to ensure reproducibility and relevance of findings to target populations. Increasing female representation and the incorporation of female sex-specific cardiovascular risk factors in cardiovascular research will not only lead to enhanced rigor and reproducibility but improved cardiovascular health for all.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Reproductibilité · Genre: Éditorial Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | Métarecherche Domaine: Reproductibilité · Genre: Éditorial Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | high |
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 | 0,677 | 0,728 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,009 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».