Identifying Over- and Underfunded Diseases by Comparing National Institutes of Health Funding for Skin Disease Research With US Skin Disease Burden According to 2021 Global Burden of Disease Data: Cross-Sectional Analysis
Notice bibliographique
Résumé
Background: Understanding the burden of various skin diseases can help guide funding allocation for skin disease research. A 2015 cross-sectional study found a partial correlation between US skin disease burden according to the 2010 Global Burden of Disease (GBD) study and National Institutes of Health (NIH) funding in 2012-2013. Objective: This study aims to identify trends, correlations, and disparities in US skin disease burden and NIH research funding allocation using the latest data from the GBD 2021 and NIH funding data from the fiscal years 2021-2022. Methods: A cross-sectional analysis was conducted to compare the disability-adjusted life years for 15 skin conditions from the GBD 2021 with NIH funding for these conditions in 2021-2022. Data were sourced from the GBD Results tool and the NIH RePORTER database. Results: NIH funding for skin disease research and US skin disease burden according to the GBD 2021 were partially correlated, with several outliers. Malignant skin melanoma and pruritus were relatively overfunded, while psoriasis and urticaria were relatively underfunded. Conclusions: Disease burden is just one of the many important factors that must be considered when allocating resources, including funding to encourage research efforts to improve patient outcomes and positively impact public health.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».