Patterns of non-communicable disease and injury risk factors in Kenyan adult population: a cluster analysis
Notice bibliographique
Résumé
BACKGROUND: Non-communicable diseases and unintentional injuries are emerging public health problems in sub-Saharan Africa. These threats have multiple risk factors with complex interactions. Though some studies have explored the magnitude and distribution of those risk factors in many populations in Kenya, an exploration of segmentation of population at a national level by risk profile, which is crucial for a differentiated approach, is currently lacking. The aim of this study was to examine patterns of non-communicable disease and injury risk through the identification of clusters and investigation of correlates of those clusters among Kenyan adult population. METHODS: We used data from the 2015 STEPs survey of non-communicable disease risk factors conducted among 4484 adults aged between 18 and 69 years in Kenya. A total of 12 risk factors for NCDs and 9 factors for injury were used as clustering variables. A K-medians Cluster Analysis was applied. We used matching as the measure of the similarity/dissimilarity among the clustering variables. While clusters were described using the risk factors, the predictors of the clustering were investigated using multinomial logistic regression. RESULTS: We have identified five clusters for NCDs and four clusters for injury based on the risk profile of the population. The NCD risk clusters were labelled as cluster hypertensives, harmful users, the hopefuls, the obese, and the fat lovers. The injury risk clusters were labelled as helmet users, jaywalkers, the defiant and the compliant. Among the possible predictors of clustering, age, gender, education and wealth index came out as strong predictors of the cluster variables. CONCLUSION: This cluster analysis has identified important clusters of adult Kenyan population for non-communicable disease and injury risk profiles. Risk reduction interventions could consider these clusters as potential target in the development and segmentation of a differentiated approach.
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) | 0,000 | 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 ».