Diabetes and Pre-Diabetes among Persons Aged 35 to 60 Years in Eastern Uganda: Prevalence and Associated Factors
Notice bibliographique
Résumé
BACKGROUND: Our aim was to estimate the prevalence of abnormal glucose regulation (AGR) (i.e. diabetes and pre-diabetes) and its associated factors among people aged 35-60 years so as to clarify the relevance of targeted screening in rural Africa. METHODS: A population-based survey of 1,497 people (786 women and 711 men) aged 35-60 years was conducted in a predominantly rural Demographic Surveillance Site in eastern Uganda. Participants responded to a lifestyle questionnaire, following which their Body Mass Index (BMI) and Blood Pressure (BP) were measured. Fasting plasma glucose (FPG) was measured from capillary blood using On-Call® Plus (Acon) rapid glucose meters, following overnight fasting. AGR was defined as FPG ≥6.1 mmol L⁻¹ (World Health Organization (WHO) criteria or ≥5.6 mmol L⁻¹ (American Diabetes Association (ADA) criteria. Diabetes was defined as FPG >6.9 mmol L⁻¹, or being on diabetes treatment. RESULTS: The mean age of participants was 45 years for men and 44 for women. Prevalence of diabetes was 7.4% (95%CI 6.1-8.8), while prevalence of pre-diabetes was 8.6% (95%CI 7.3-10.2) using WHO criteria and 20.2% (95%CI 17.5-22.9) with ADA criteria. Using WHO cut-offs, the prevalence of AGR was 2 times higher among obese persons compared with normal BMI persons (Adjusted Prevalence Rate Ratio (APRR) 1.9, 95%CI 1.3-2.8). Occupation as a mechanic, achieving the WHO recommended physical activity threshold, and higher dietary diversity were associated with lower likelihood of AGR (APRR 0.6, 95%CI 0.4-0.9; APRR 0.6, 95%CI 0.4-0.8; APRR 0.5, 95%CI 0.3-0.9 respectively). The direct medical cost of detecting one person with AGR was two US dollars with ADA and three point seven dollars with WHO cut-offs. CONCLUSIONS: There is a high prevalence of AGR among people aged 35-60 years in this setting. Screening for high risk persons and targeted health education to address obesity, insufficient physical activity and non-diverse diets are necessary.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».