Prevalence estimates for lower urinary tract symptom severity among men in Uganda and sub-Saharan Africa based on regional prevalence data
Notice bibliographique
Résumé
INTRODUCTION: In the absence of specific regional data, the prevalence of urinary symptoms in the developing world is currently estimated. Regional prevalence data and estimates based on them have relevance for accurate planning/provision of future healthcare. We sought to extrapolate prevalence estimates for lower urinary tract symptom (LUTS) severity and associated sexual dysfunction for Uganda as a whole and sub-Saharan Africa (SSA) using newly available regional data from a community-based cohort of men in Uganda. METHODS: Global Burden of Disease Study (GBDS) population statistics were applied to a regional dataset to provide prevalence estimates for Uganda and SSA; 415 men >55 years from five rural Ugandan communities had completed the International Prostate Symptom Scale (IPSS) and Epstein inventory to grade their LUTS severity and satisfaction with sexual function. RESULTS: Prevalence rates for moderate and severe LUTS were 40.5% and 20%, respectively, in men >55 in the Ugandan regional data; associated scores for all four Epstein sexual satisfaction measures were low. GBDS population figures (2016) for men >55 years are 942 115 (Uganda) and 33.9 million (SSA); hence, scaling up from regional prevalence data suggests 381 557 and 188 423 men >55 years in Uganda, and 13 729 500 and 6 780 000 in SSA have moderate and severe LUTS, respectively, and the majority will have compromise of elements of their sexual function. CONCLUSIONS: Extrapolation from a small regional dataset (for which we have no guarantee of national or SSA representability) provides the first prevalence estimates for LUTS severity based on African data, and suggests a large proportion of men >55 years are troubled with LUTS and associated sexual dysfunction.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».