Beyond “One Size Fits All”: Rethinking Methods and Data Reporting to Advance Intersectionality in Cardiovascular Health Research
Notice bibliographique
Résumé
Cardiovascular disease (CVD) outcomes vary significantly across social identities (eg, gender, race, socioeconomic status), with differences in risk factors, prevalence, and clinical presentation.The Canadian Journal of Cardiology Open has emphasized the need for greater health equity, as described in the Canadian Women's Heart Health Alliance ATLAS (ATLAS). 1 The ATLAS asserts that we must move beyond a "one-size-fits-all" approach for the prevention and treatment of CVD across the lifespan and ensure that forthcoming studies systematically account for social identities.This article offers "tips and tricks" on intersectional methods and data reporting to support equity in the cardiovascular research continuum. What Is Intersectionality?First introduced by Kimberl� e Crenshaw in 1989, intersectionality is a framework for understanding how multiple social identities intersect to shape individuals' experiences, opportunities, and health outcomes.2 Rather than examining these identities separately, intersectionality emphasizes their interconnected nature and how overlapping systems of power and oppression can contribute to inequities.This perspective offers a more nuanced lens for understanding complex social and structural determinants of health.For more detailed descriptions of individual constructs (eg, sex vs gender), refer to the Canadian Institutes of Health Research (https://cihr- irsc.gc.ca/e/49347.html)and/or the ATLAS. 1 Quantitative Theory and Methods for Assessing IntersectionalityAlthough the concept of intersectionality is rooted in qualitative research, its application in quantitative studies has grown, enabling the identification of marginalized groups and informing strategies to reduce public health and clinical care disparities.This use includes innovative applications of existing statistical methods and the development of new approaches to capture intersectional effects.In cardiovascular research, in which disparities are well documented along individual axes, such as sex, gender, and socioeconomic status, quantitative intersectional theory and methods can be used to examine how overlapping social identities jointly shape cardiovascular health trajectories.Prior reviews have summarized several statistical methods for incorporating intersectionality into quantitative research.3,4 Beyond descriptive presentations of key outcomes according to combinations of individual social categories, extensions of traditional regression frameworks allow for the formal evaluation of heterogeneity across social intersections.These approaches include stratification (ie, fitting separate models within intersectional strata), the use of cross-classified independent variables (eg, social categories defined jointly by race and gender, such as Black women or White men), and CJC Open 8 (2026) 65-68
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 | 0,823 | 0,911 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,014 | 0,019 |
| Études des sciences et des technologies | 0,012 | 0,048 |
| Communication savante | 0,042 | 0,072 |
| Science ouverte | 0,016 | 0,035 |
| Intégrité de la recherche | 0,013 | 0,046 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».