健康研究的性別相關變因之研究；澳大利亞人的新人口普查（和官方報告）使用更新的生理性別/社會性別類別；數位科技的使用如何不是性別中立的；重新思考生理性別與大腦；不同群體心血管疾病風險的性別相關特徵和差異；一種減少未得到充分服務族群中無法解釋的疼痛差異的方法。
2021-02-25
1.「性別差異生物學」的「健康研究的性別相關變因」成為熱門新聞。 Mathias W. Nielsen、Marcia L. Stefanick、Diana Peragine、Torsten B. Neilands、John PA Ioannidis、Louise Pilote、Judith J. Prochaska、Mark R. Cullen、Gillian Einstein、Ineke Klinge、Hannah LeBlanc、Hee Young Paik 和 Londa Schiebinger
摘要：在本文中，我們主張將社會性別作為社會文化變因 (GASV) 來補充作為生物變因的生理性別 (SABV)。生理性別（生物學）和社會性別（社會文化行為和態度）相互作用，影響整個生命週期的健康和疾病過程——目前正在 COVID-19疫情中發揮作用。本研究開發了一種性別評估工具——斯坦福健康研究性別相關變因（the Stanford Gender-Related Variables for Health Research）——用於臨床和人口研究，包括涉及不同西方人群的大規模健康調查。雖然將生理性別分析為生物變因已被廣泛要求，但作為社會文化變因的社會性別並非如此，主要是因為該領域缺乏用於分析性別對健康結果影響的定量工具。
2. 向澳大利亞人致敬！！他們的新人口普查（和官方報告）使用更新的生理性別/社會性別類別：https://www.abs.gov.au/statistics/standards/standard-sex-gender-variations-sex-characteristics-and-sexual-orientation-variables/2020
3. Heisook Lee和Elizabeth Pollitzer發布了“將性別視角應用於可持續發展目標之間的相互聯繫和協同作用，確保2030年議程不會讓女性落後。”這是第 19屆性別峰會的專家報告。
4. GenderInSITE 以非洲和拉丁美洲為重點的新出版物報告了數位科技的使用如何不是性別中立的。您可以從這裡下載數位科技的性別維度。對現有數據進行審查和分析之後，得出了一些旨在縮小性別數字差距的成功經驗。該研究得出的結論是，需要更多地關注女性對數位科技的挪用，以實現可持續發展目標 (SDGs) 和減少性別不平等。
5. Daphna Joel 的新文章：超越二元：重新思考生理性別與大腦
Neuroscience & Biobehavioral Reviews - Elsevier
本文根據這些關係的二元概念化以及“馬賽克（mosaic）”假說對其提出的挑戰，回顧了性與大腦之間的關係。二元框架的最新表述範圍從爭論典型的男性大腦不同於典型的女性大腦到聲稱大腦通常是男性或女性，因為大腦結構可用於預測大腦所有者的性別類別（女性/男性）。 這些公式受到性別證據的挑戰……
6.多種族整體人群中估計的心血管疾病風險的性別相關特徵和差異：HELIUS 研究
R Bolijn, W Perini, HL Tan, H Galenkamp… - International journal of …, 2020 - Elsevier
背景：男性和女性心血管疾病（CVD）風險的差異已被廣泛報導。然而，對社會性別相關特徵（社會文化特徵）的風險差異的研究很少，儘管這些特徵可能與心血管健康有關。 我們探討了不同種族群體中男性和女性的三個性別相關特徵與估計CVD風險之間的關聯。方法：我們使用了HELIUS六個種族的 9185名參與者的基線數據……
7.來自世界經濟論壇：這台機器讀了350萬本書然後告訴我們它對男人和女人的看法
8. 來自GenderInSITE：性別與創新：對可持續發展的影響：GenderInSITE政策簡報
9. 波蘭科學院啟動了由歐盟委員會共同資助的PASIFIC獎學金計劃。其主要目標是讓 50名擁有博士學位或 4年全職研究經驗的任何國籍的科學家能夠在波蘭科學院的一個研究所度過兩年。PASIFIC研究員將在2021年宣布的兩次電話會議中選出 - 第一個將於2021年3月15日啟動。當天還將提供在線提交系統和申請人指南。
10. 對於那些閱讀法語的人，“Prendre en compte le sexe et le Genre pour mieux soigner : une question de santé publique”（考慮生理性別和社會性別以更好地治愈：一個公共衛生問題。它應該很快被翻譯成英文。
11.一種減少未得到充分服務族群中無法解釋的疼痛差異的方法未得到充分服務的族群會經歷更高程度的疼痛。即使在控制了骨關節炎等疾病的客觀嚴重程度（由人類醫生使用醫學圖像進行分級）後，這些差異仍然存在，這增加了未得到充分服務的患者的疼痛源於膝關節外部因素（如壓力）的可能性。在這裡，透過使用膝關節X光來預測患者經歷的疼痛，我們使用深度學習方法來衡量骨關節炎的嚴重程度。我們表明，這種方法極大地減少了無法解釋的種族差異。相對於放射科醫師分級的嚴重程度標準測量，僅佔疼痛種族差異的9%（95% 置信區間 (CI)，3-16%），本研究算法預測佔差異的43%，或4.7倍以上（95% CI，3.2–11.8×）。對於低收入和受教育程度較低的患者也有類似的結果。這表示，大部分未得到充分服務的患者的疼痛源於膝關節內的因素，而這些因素並未反映在標準的放射學嚴重程度測量中。我們表明，該算法減少無法解釋的差異的能力植根於訓練集的種族和社會經濟多樣性。由於本研究算法的嚴重性度量可以更好地捕捉未得到充分服務的患者的疼痛，並且嚴重性度量會影響治療決策，因此本研究算法預測可能會糾正在獲得諸如關節置換術等治療方面的差異。