Urbanization and Socioeconomic Disparities in Hypertension among Older Adult Women in Sudan
Notice bibliographique
Résumé
BACKGROUND: Evidence from the developed world associates higher prevalence of hypertension with lower socioeconomic status (SES). However, patterns of association are not as clear in Africa and other developing countries, with varying levels of socioeconomic development and epidemiological transition. Using wealth and education as indicators, we investigated association between SES and hypertension among older adult women in Sudan and examined whether urbanicity mediates the relationship. METHODS: The sample included women aged 50 years and over participating in the nationally representative population-based second Sudan Health Household Survey (SHHS) conducted in 2010. Principal components analysis was used to assign each household with a wealth score based on assets owned. The score was categorized into quintiles from lowest (poorest) to highest (richest). FINDINGS: The sample included a total of 5218 women, median and mean age 55 and 59 years, respectively, with the majority not have any schooling (81.6%). The overall prevalence of reported hypertension was found to be 10.5%. After adjustment for age, marital status, work status and urban/rural location, better wealth and higher education were independently and positively associated with hypertension prevalence rates. However, when stratified by urbanicity, the relationship between wealth and hypertension lost its significance for women in urban areas but maintained it in rural areas, increasing significantly and consistently with each increase in quintile index (adjusted odds ratio, aOR1 = 1.95 95% CI = 1.08-3.52; aOR2 = 5.25, 95% CI = 3.01-9.15; aOR3 = 8.27, 95% CI = 4.78-14.3; and aOR4 = and 11.4, 95% CI = 6.45-20.0; respectively). By contrast, education played a greater role in increasing the odds of hypertension among women in urban locations but not in rural locations (aOR = 2.14, 95% CI = 1.25-7.90 vs. aOR = 0.79, 95% CI = 0.27-2.30, respectively). CONCLUSIONS: Our findings of a socioeconomic gradient in the prevalence of hypertension among women, mediated by urbanization, call for targeted interventions from early stages of economic development in Sudan and similar settings of transitioning 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 | 0,000 |
| 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 ».