Effect of public knowledge, attitudes, and behavior on willingness to undergo colorectal cancer screening using the health belief model
Notice bibliographique
Résumé
BACKGROUND/AIMS: Success of colorectal cancer (CRC) screening is dependent in part on the proportion of uptake by the targeted population. We aimed in this study to identify factors that were associated with willingness to undergo CRC screening based on the health belief model (HBM). PATIENTS AND METHODS: This was a cross-sectional study among citizens of Riyadh, Saudi Arabia. Demographic data collected included gender, age, education, marital status, employment status, a history of CRC in the family or knowing a friend with CRC, as well as income. A questionnaire was developed in Arabic based on the HBM and included enquiries on knowledge about CRC symptoms and risk factors, types of CRC screening tests, perceived risk of CRC, previously undergoing CRC screening, intent to undergo CRC screening, perceived barriers to CRC screening, perceived severity of CRC, as well as attitudes toward CRC and its screening. RESULTS: Five hundred participants were included. The mean age was 41.0 years (SD 10.7). Males were 50% and only 6.7% of those between 50 and 55 years of age had undergone CRC screening. Of those surveyed, 70.7% were willing to undergo CRC screening. Also, 70.5% thought that CRC is curable, 73.3% believed it was preventable, whereas 56.7% thought it was a fatal disease. Neither gender, level of education, occupation, income, marital status, nor general knowledge about CRC was found to be associated with the willingness to undergo CRC screening. Recognizing that colonoscopy was a screening test (OR 1.55, 95% CI; 1.04-2.29) was associated with a strong desire to undergo CRC screening while choosing a stool-based test was associated with not willing to undergo CRC screening (OR 0.59, 95%CI; 0.38-0.91). CONCLUSION: We found that the majority of those interviewed were willing to undergo CRC screening and identified a number of barriers as well as potential areas that could be targeted in the promotion of CRC screening uptake if such a national program were to be implemented.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».