Variations in Diabetes Prevalence in Low-, Middle-, and High-Income Countries: Results From the Prospective Urban and Rural Epidemiological Study
Notice bibliographique
Résumé
OBJECTIVE: The goal of this study was to assess whether diabetes prevalence varies by countries at different economic levels and whether this can be explained by known risk factors. RESEARCH DESIGN AND METHODS: The prevalence of diabetes, defined as self-reported or fasting glycemia ≥7 mmol/L, was documented in 119,666 adults from three high-income (HIC), seven upper-middle-income (UMIC), four lower-middle-income (LMIC), and four low-income (LIC) countries. Relationships between diabetes and its risk factors within these country groupings were assessed using multivariable analyses. RESULTS: Age- and sex-adjusted diabetes prevalences were highest in the poorer countries and lowest in the wealthiest countries (LIC 12.3%, UMIC 11.1%, LMIC 8.7%, and HIC 6.6%; P < 0.0001). In the overall population, diabetes risk was higher with a 5-year increase in age (odds ratio 1.29 [95% CI 1.28-1.31]), male sex (1.19 [1.13-1.25]), urban residency (1.24 [1.11-1.38]), low versus high education level (1.10 [1.02-1.19]), low versus high physical activity (1.28 [1.20-1.38]), family history of diabetes (3.15 [3.00-3.31]), higher waist-to-hip ratio (highest vs. lowest quartile; 3.63 [3.33-3.96]), and BMI (≥35 vs. <25 kg/m(2); 2.76 [2.52-3.03]). The relationship between diabetes prevalence and both BMI and family history of diabetes differed in higher- versus lower-income country groups (P for interaction < 0.0001). After adjustment for all risk factors and ethnicity, diabetes prevalences continued to show a gradient (LIC 14.0%, LMIC 10.1%, UMIC 10.9%, and HIC 5.6%). CONCLUSIONS: Conventional risk factors do not fully account for the higher prevalence of diabetes in LIC countries. These findings suggest that other factors are responsible for the higher prevalence of diabetes in LIC countries.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».