Sex differences in hepatitis A incidence rates–a multi-year pooled-analysis based on national data from nine high-income countries
Notice bibliographique
Résumé
BACKGROUND: Possible sex differences in hepatitis A virus (HAV) incidence rates in different age groups are not well documented. We aimed to obtain stable pooled estimates of such differences based on data from a number of high-income countries. METHODS: We obtained data on incident cases of HAV by sex and age group over a period of 6-25 years from nine countries: Australia, Canada, Czech Republic, Finland, Germany, Israel, Netherland, New Zealand and Spain. Male to female incidence rate ratios (IRR) were computed for each year, by country and age group. For each age group, we used meta-analytic methods to combine the IRRs. Meta-regression was conducted to estimate the effects of age, country, and time period on the IRR. RESULTS: A male excess in incidence rates was consistently observed in all age groups, although in the youngest and oldest age groups, where the numbers tended to be lower, the lower bounds of the 95% confidence intervals for the IRRs were less than one. In the age groups <1, 1-4, 5-9, 10-14, 15-44, 45-64 and 65+, the pooled IRRs (with 95% CI) over countries and time periods were 1.18 (0.94,1.48), 1.22 (1.16,1.29), 1.07 (1.03,1.11), 1.09 (1.04,1.14), 1.46 (1.30,1.64), 1.32 (1.15,1.51) and 1.10 (0.99,1.23) respectively. CONCLUSIONS: The excess HAV incidence rates in young males, pooled over a number of countries, suggest that the sex differences are likely to be due at least in part to physiological and biological differences and not just behavioral factors. At older ages, differential exposure plays an important role. These findings, seen in the context of the excess incidence rates in young males for many other infectious diseases, can provide further keys to the mechanisms of the infection.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».