MétaCan
Menu
Retour à la cohorte
Enregistrement W4408884439 · doi:10.1007/s43999-025-00061-5

Sex-specific and regional differences in the prevalence of diagnosed autoimmune diseases in Germany, 2022

2025· article· en· W4408884439 sur OpenAlexaff
Manas K. Akmatov, Claudia Kohring, Frank Peßler, Jakob Holstiege

Notice bibliographique

RevueResearch in Health Services & Regions · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueLiver Diseases and Immunity
Établissements canadiensHealth Care Foundation
Organismes subventionnairesnon disponible
Mots-clésMedicineInterquartile rangeEpidemiologyVitiligoAutoimmune diseasePopulationRheumatoid arthritisAutoimmune thyroiditisAutoimmune hepatitisType 1 diabetesDiabetes mellitusImmunologyInternal medicineDiseaseEnvironmental healthThyroiditisEndocrinology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Research on the epidemiology of autoimmune diseases is impeded due to the rarity of most autoimmune diseases. We aimed to assess the prevalence of diagnosed autoimmune diseases in Germany and examine their sex-specific and regional differences. METHODS: A cross-sectional study using the nationwide ambulatory claims data of females and males of any age with statutory health insurance from 2022 was designed (N = 73,241,305). Autoimmune diseases were identified by diagnostic codes of the International Classification of Diseases and Related Health Problems, 10th Revision, German Modification (ICD-10-GM). Regional differences were examined at the level of urban and rural districts (N = 401). To control for demographic differences across districts we applied the direct standardization method to calculate sex- and age-standardized prevalences with the German population in 2022 used as a standard population. Furthermore, we calculated prevalence ratios (PR) and 99% confidence intervals (99% CI) to examine sex differences. RESULTS: Of 73,241,305 insurees (median age, 45; interquartile range, 26-63 years), 6,307,120 had at least one (any) autoimmune disease in 2022, corresponding to a crude prevalence of 8.61% (99% CI: 8.60-8.62%). Of all individuals with autoimmune diseases, 67% were females. The prevalence of single autoimmune diseases varied between 0.008% (pemphigus) and 2.3% (autoimmune thyroiditis). Other autoimmune diseases with a high prevalence were psoriasis (1.9%), rheumatoid arthritis (1.4%), and type 1 diabetes (0.75%). The prevalence was higher in females than males for 25 of the 31 autoimmune diseases with the highest PR observed for autoimmune thyroiditis (PR 5.92; 99% CI: 5.88-5.95), primary biliary cirrhosis (5.60; 5.36-5.84) and systemic lupus erythematosus (5.15; 4.97-5.36). Males were more likely to be diagnosed than females with type 1 diabetes (1.37; 1.36-1.39), ankylosing spondylitis (1.40; 1.39-1.43) and Guillain-Barré syndrome (1.31; 1.27-1.37). The only autoimmune disease without sex difference was myasthenia gravis (1.00; 0.97-1.03). At district level the age- and sex-standardized prevalence of at least one (any) autoimmune disease differed by a factor of nearly 2 between 5.91% and 11.62%. In general, the prevalence was higher in East (former GDR) than West (former FRG) Germany. CONCLUSION: Although most autoimmune diseases were rare, when considered as a whole, autoimmune diseases turned out to be more common than previously assumed, with one out of 12 individuals affected in Germany.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,086
Tête enseignante GPT0,401
Écart entre enseignants0,315 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch in Health Services & RegionsMême sujetLiver Diseases and ImmunityTravaux en français237 207