Magnitude and Determinants of Ocular Morbidities Among Persons with Diabetes in a Project in Ahmedabad, India
Notice bibliographique
Résumé
BACKGROUND: Visual disabilities due to diabetes are on the rise, especially in urban areas of developing countries. Proper health planning will need evidence-based information. STUDY DESIGN AND METHODS: We estimated the prevalence and identified the determinants of eye complications among persons with diabetes screened in Ahmedabad, India, during 2007-2008. This was a review of the data from a health institution-based project. Physicians collected information on diabetes, and ophthalmologists examined the patients for visual acuity, diabetic retinopathy (DR), glaucoma, and cataracts. World Health Organization-recommended grading of DR was used. Frequencies, prevalence, and 95% confidence interval (CI) values were calculated. RESULTS: Of 40,919 persons who we examined for diabetes, 9,246 (66.6%) persons knew that they had diabetes, whereas 4,641 (33.4%) persons were detected with diabetes for the first time. The prevalence of DR, early cataract, and glaucoma among those who knew that they had diabetes was 14.6% (95% CI 13.9-15.3), 44.4% (95% CI 43.4-45.4), and 5.4% (95% CI 4.9-5.9), respectively. The prevalence of DR among persons with diabetes (new and old) was 10.1% (95% CI 9.6-10.6). Although poor vision was positively associated with DR (chi2 = 706), 40% of those with DR had vision better than 20/60. Male sex (odds ratio [OR] = 1.31), longer duration of diabetes (chi2 = 1,808), hypertension (OR = 1.13), good sugar control (OR = 0.09), and nephropathy (OR = 2.16) were the factors associated with DR. Regression analysis suggested that longer duration of diabetes and poor control of diabetes were the predictors of DR. CONCLUSIONS: The prevalence of DR was low. Long duration of diabetes, poor control of blood sugar, presence of nephropathy, and hypertension were associated with DR. Good vision could mislead about the severity of DR.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».