Prevalence and modes of complementary and alternative medicine use among peasant farmers with musculoskeletal pain in a rural community in South-Western Nigeria
Notice bibliographique
Résumé
BACKGROUND: Anecdotally, use of Complementary and Alternative Medicine (CAM) for Musculoskeletal Pain (MSP) is common in Nigeria; however, there seems to be a dearth of empirical data on its prevalence and mode of use. This study investigated the prevalence and modes of use of CAM for MSP among farmers in a rural community in South-western Nigeria. METHODS: This cross-sectional survey employed multistage sampling technique guidelines for conducting community survey by the World Health Organization among rural community farmers in Gudugbu village, Oyo State, Nigeria. A questionnaire developed from previous studies and validated by expert reviews was used to assess prevalence and modes of CAM use. Data was analyzed using descriptive and inferential statistics. Alpha level was set at p < 0.05. RESULTS: A total of 230 consenting rural farmers volunteered for this study with a valid response rate of 93.9 % (n = 216). The lifetime, 12-month and point prevalence of CAM for MSP was 96.8 % respectively. Herbal therapy and massage were the predominant types of CAM therapies among previous (83.8 and 80.1 %) and current CAM users (37.5 and 37.5 %). CAM was largely used as sole therapy for MSP (75.5 %) and also in combination with orthodox medicine (23.6 %), and it is consumed on daily basis (21.8 %). CAM was perceived to be very good in maintaining a healthy life (87.1 %) and has less side effects (74 %) and more healthy than taking doctors' prescriptions (63.4 %). CONCLUSION: There is a high prevalence of CAM among Nigerian rural farmers. The most commonly employed CAM for MSP were herbal remedies and massage which are attributable to beliefs on their perceived efficacy.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».