Socioeconomic inequalities in risk factors for non communicable diseases in low-income and middle-income countries: results from the World Health Survey
Notice bibliographique
Résumé
BACKGROUND: Monitoring inequalities in non communicable disease risk factor prevalence can help to inform and target effective interventions. The prevalence of current daily smoking, low fruit and vegetable consumption, physical inactivity, and heavy episodic alcohol drinking were quantified and compared across wealth and education levels in low- and middle-income country groups. METHODS: This study included self-reported data from 232,056 adult participants in 48 countries, derived from the 2002-2004 World Health Survey. Data were stratified by sex and low- or middle-income country status. The main outcome measurements were risk factor prevalence rates reported by wealth quintile and five levels of educational attainment. Socioeconomic inequalities were measured using the slope index of inequality, reflecting differences in prevalence rates, and the relative index of inequality, reflecting the prevalence ratio between the two extremes of wealth or education accounting for the entire distribution. Data were adjusted for confounding factors: sex, age, marital status, area of residence, and country of residence. RESULTS: Smoking and low fruit and vegetable consumption were significantly higher among lower socioeconomic groups. The highest wealth-related absolute inequality was seen in smoking among men of low- income country group (slope index of inequality 23.0 percentage points; 95% confidence interval 19.6, 26.4). The slope index of inequality for low fruit and vegetable consumption across the entire distribution of education was around 8 percentage points in both sexes and both country income groups. Physical inactivity was less prevalent in populations of low socioeconomic status, especially in low-income countries (relative index of inequality: (men) 0.46, 95% confidence interval 0.33, 0.64; (women) 0.52, 95% confidence interval 0.42, 0.65). Mixed patterns were found for heavy drinking. CONCLUSIONS: Disaggregated analysis of the prevalence of non-communicable disease risk factors demonstrated different patterns and varying degrees of socioeconomic inequalities across low- and middle-income settings. Interventions should aim to reach and achieve sustained benefits for high-risk populations.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».