High prevalence and clustering of modifiable CVD risk factors among rural adolescents in southwest Nigeria: implication for grass root prevention
Notice bibliographique
Résumé
BACKGROUND: Cardiovascular disease (CVD) is an immense global problem with serious economic and social consequences. Modifiable risk factors for CVD have been identified internationally in adolescents where early intervention programs have the potential to reduce CVD risk on individual and population levels. In developing countries such as Nigeria, little is known about the prevalence of modifiable CVD risk factors among adolescents especially in the rural areas. METHODS: This paper reports on a cross-sectional survey of modifiable CVD risk factors among rural adolescents in South-West Nigeria. All 15-18 years old adolescents in all the schools at Ibarapa central local government were approached and all those who assented and consented to participate in the study were involved. A total of 1500 adolescents participated in the study. Measurements of CVD risks factors taken were; smoking, physical activity, alcohol, dietary pattern using a questionnaire developed by authors. Other CVD risk factors such as waist hip ratio and BMI were taken using standardized instruments. Data were analyzed using STATA version 12. RESULTS: Data from 1079 adolescents (56.5% males and 53.5% females) were analyzed. Mean age of males was 16.4 ± 1.14 years and mean age for females was 16.29 ± 1.13 years. Adolescents showed clustering of CVD risk factors with about 72% having between two and four risk factors. A total of 102 clustering patterns were reported. The most common clustering pattern (19.6%) included high animal lipid and salt diet. CONCLUSION: There is high level and clustering of CVD risk factors among rural adolescents in Southwest Nigeria. The most common clustering pattern was biased towards dietary factors. The high prevalence of CVD risk factors among rural adolescents in Southwest Nigeria suggests that urgent primary prevention programs are required to prevent the next generation of Nigerians from suffering of CVD.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».