Predictors of High Blood Pressure in South African Children: Quantile Regression Approach
Notice bibliographique
Résumé
Objective: To identify predictors of blood pressure (BP) in children and explore the predictors` effects on the conditional quantile functions of systolic blood pressure and diastolic blood pressure. Methods: A secondary data analysis was performed using data from the South African National Income Dynamics Study (2014-2015). From this particular secondary data, data for children aged between 10-17 years were extracted for analysis. The variables used in the study were systolic blood pressure (SBP), diastolic blood pressure (DBP), body mass index (BMI), age, smoking, alcohol consumption, exercises, gender and race. Two parameter estimation methods were used, ordinary least squares (OLS) and quantile regression (QR). Results: BMI had positive statistically significant estimated OLS and conditional quantile functions with both the BP measures except the 95th quantile for SBP. Age had also positive statistically significant estimated OLS and QR coefficients except for the 95th percentile, with both DBP and SBP respectively. Gender was found to be inversely related to both DBP and SBP except the 10th quantile for DBP. Race was partially significant to DBP. Smoking, alcohol consumption and exercises did not present any statistically significant relations with both DBP and SBP for all the estimated OLS and QR coefficients. Conclusion: BMI, age, gender and partially race were found to be predictors of BP in South African children using both OLS and QR techniques. Exercises, smoking and alcohol consumption did not present any statistically significant relations with both DBP and SBP probably because few participants exercise regularly, smoke and drink alcohol to bring out a significant change in both BP measurements.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».