Why gender and sex matter in infectious disease modelling: A conceptual framework
Notice bibliographique
Résumé
The COVID-19 pandemic underscored the differential impact of infectious diseases across population groups, with gender and sex identified as important dimensions influencing transmission and health outcomes. Sex-related biological factors, such as differences in immune response and comorbidities, contribute to men's heightened severity risks, while gender norms and roles influence exposure patterns, adherence to prevention measures, and healthcare access, influencing women's higher reported infection rates in certain contexts. Despite widely observed gender/sex disparities, infectious disease models frequently overlook gender and sex as key dimensions, leading to gaps in understanding and potential blind spots in public health interventions. This paper develops a conceptual framework based on the Susceptible-Exposed-Infectious-Recovered/Deceased (SEIR/D) compartmental model to map pathways through which gender and sex may influence susceptibility, exposure, transmission, recovery, and mortality. Using a narrative review of modelling, epidemiological, and clinical studies, this framework identifies and characterises the main social and biological mechanisms on this matter-including gendered occupational exposure, differential adherence to preventive measures, and disparities in healthcare-seeking behaviour-alongside sex-based differences in immune response and disease severity. The framework also examines potential gender-related variations in epidemiological surveillance data, highlighting disparities in testing uptake and hospitalisation referrals that could influence model outputs. By synthesising these insights, this paper provides a theoretical foundation for integrating gender and sex into infectious disease models. It advocates for interdisciplinary collaboration between modellers, social scientists, and clinicians to advance gender- and sex-sensitive modelling approaches. Accounting for gender and sex can enhance predictive accuracy, inform intervention strategies, and promote health equity in pandemic response.
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 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 | 0,014 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».