Prevalence and predictors of physical inactivity levels among Kenyan adults (18–69 years): an analysis of STEPS survey 2015
Notice bibliographique
Résumé
BACKGROUND: Physical inactivity accounts for more than 3 million deaths worldwide, and is implicated in causing 6% of coronary heart diseases, 7% of diabetes, and 10% of colon or breast cancer. Globally, research has shown that modifying four commonly shared risky behaviours, including poor nutrition, tobacco use, harmful use of alcohol, and physical inactivity, can reduce occurrence of non-communicable diseases (NCDs). Risk factor surveillance through population-based periodic surveys, has been identified as an effective strategy to inform public health interventions in NCD control. The stepwise approach to surveillance (STEPS) survey is one such initiative, and Kenya carried out its first survey in 2015. This study sought to describe the physical inactivity risk factors from the findings of the Kenya STEPS survey. METHODS: This study employed countrywide representative survey administered between April and June 2015. A three stage cluster sampling design was used to select clusters, households and eligible individuals. All adults between 18 and 69 years in selected households were eligible. Data on demographic, behavioural, and biochemical characteristics were collected. Prevalence of physical inactivity was computed. Logistic regression used to explore factors associated with physical inactivity. RESULTS: A total of 4500 individuals consented to participate from eligible 6000 households. The mean age was 40.5 (39.9-41.1) years, with 51.3% of the respondents being female. Overall 346 (7.7%) of respondents were classified as physically inactive. Physical inactivity was associated with female gender, middle age (30-49 years), and increasing level of education, increasing wealth index and low levels of High Density Lipoproteins (HDL). CONCLUSION: A modest prevalence of physical inactivity slightly higher than in neighbouring countries was found in this study. Gender, age, education level and wealth index are evident areas that predict physical inactivity which can be focused on to develop programs that would work towards reducing physical inactivity among adults in Kenya.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».