Health-Promoting Lifestyle Behaviour: A Determinant for Noncommunicable Diseases Risk Factors Among Employees in a Nigerian University
Notice bibliographique
Résumé
INTRODUCTION: Overweight, hyperglycaemia and hypertension are risk factors for development of cardiovascular diseases that have the highest mortality and morbidity rates among noncommunicable diseases (NCDs) globally. The aim of this study was to examine the health-promoting lifestyle behaviour that determine risk factors for Noncommunicable diseases among university employees in Nigeria. METHODS: We conducted a cross-sectional survey among university employees in Nigeria. Data were collected from 280 employees in the university by means of a questionnaire that consisted of three sections. Collected data were analysed using IBM-SPSS version 25. RESULTS: Good physical activity lifestyle behaviour (adjusted odds ratio [aOR] = 2.1, 95% CI: [1.1–3.9]) and good health responsibility lifestyle behaviour (aOR = 2.4, 95% CI: [1.2–4.9]) were statistically significant predictors of normal body mass index. Also, good health-promoting lifestyle profile (HPLP) (aOR = 3.1, 95% CI: [1.3–7.6]) was a statistically significant predictor of normal waist–hip ratio. However, there is no statistically significant relationship between HPLP and random blood sugar or between HPLP and blood pressure. CONCLUSION: The findings from the study reveal that good health-promoting lifestyle behaviour especially health responsibility, physical activity and stress management behaviour are determinant of overweight and obesity which are major risk factors for development of cardiovascular diseases, type II diabetes and some form of cancer. Hence, to reduce the risk of developing noncommunicable diseases, there is a need to develop an intervention to improve university employee’s health-promoting lifestyle.
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 | 0,010 | 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».