Epidemiological Insights into Erectile Dysfunction in the United States: A Google Trends Analysis
Notice bibliographique
Résumé
Background/Objectives: Erectile dysfunction (ED) significantly impacts the well-being and quality of life of millions of men. Understanding geographic patterns and associated factors influencing ED search trends can offer valuable insights for healthcare improvement and advocacy. This study investigated the correlation between Google search trends for ED and various factors across the US. Methods: Google search trends for “erectile dysfunction” were collected over a 6-year period between March 2018 and August 2024. The Google search trends provided data for individual states on a scale from 1 to 100. Search volumes were analyzed alongside the urologist-to-population ratio, percentage of the population aged 65 and older, median household income, and percentage of state residents with a bachelor’s degree or higher. Pearson correlation coefficients were used to examine the relationships between ED search volumes and these factors. Results: Higher ED search volumes were associated with a higher percentage of older adults (r = 0.4332, p = 0.001676). A negative correlation was found between ED search volume and higher education (r = −0.482, p = 0.000394). No significant correlation was found between median household income and ED search volume (r = −0.201, p = 0.164) or a greater urologist density (r = 0.0612, p = 0.6729). Conclusions: This study highlights how healthcare access and demographics influence ED search trends. States with older, less educated populations showed higher interest, while wealthier areas with more urologists had no significant correlation. These findings can guide targeted interventions to improve sexual care in underserved regions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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) | 0,001 | 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 ».