今日文獻聚焦於肌肉畸形恐懼症（MD）的流行病學評估方法。研究探討了在性別平衡的線上樣本中，不同的加權方式與病例定義策略如何影響演算法得出的MD盛行率估計值。這突顯了未來在MD篩檢與流行病學研究設計中，標準化病例定義與加權方法的重要性，有助於提升MD盛行率數據的準確性與跨研究可比性。
The International journal of eating disorders · Algorithm-Defined Muscle Dysmorphia Estimates Across Weighting and Case-Definition Strategies in a Gender-Balanced Adult Online Sample.
本研究探討不同加權與病例定義策略對演算法定義之肌肉畸形恐懼症（MD）盛行率的影響。針對1468名德國成年人網路調查顯示，MD估計值會因加權與定義標準不同而顯著變化。臨床意義在於，未來MD流行病學研究須謹慎選擇並明確報告病例定義與加權方法，確保數據準確性與跨研究可比性，避免方法學差異導致盛行率誤判。