Gender disparities in industry compensation and research payments among neurointerventional surgeons in the USA
Notice bibliographique
Résumé
BACKGROUND: The purpose of this study is to examine the presence of gender disparity represented by industry payments and research funding within the field of interventional neuroradiology. METHODS: Payment information was collected using the Centers for Medicare and Medicaid Services Open Payment database for the year 2019. Kruskal-Wallis tests were used to analyze differences in annual compensation based on sex in $US, while controlling for geographic factors, academic rank, and h-index. A sample t-test was performed to look at gender differences in h-indexes. RESULTS: The study cohort was comprised of 893 interventional neuroradiologists, 73 (8.2%) of which were female. Of the $48889.20 in mean annual payments reported in the database, $5847.13 (11.2%) went to female interventional neuroradiologists (P<0.05). The significant difference in compensation between male and female neuroradiologists was evident after controlling for state-level variance and academic position. There was a statistically significant difference in total reimbursement (P<0.001), research (P<0.001), consulting (P<0.04), food and beverage (P<0.02), and compensation for services other than consulting between males and females (P<0.02). A statistically significant difference was found for h-index based on gender (males=16.7, females=10.1; P<0.001). CONCLUSIONS: Our findings indicate that in the field of interventional neuroradiology, females receive less research funding and private industry compensation, have lower h-indexes, and are less likely to occupy the highest academic positions. The difference in funding did not differ when accounting for geographic state of practice and academic rank. Future studies should work to identify potential contributory factors of these trends.
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 | 0,015 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».