Prevalence of Poor Diabetes Self-Management Behaviors among Ethiopian Diabetes Mellitus Patients: A Systematic Review and Meta- Analysis
Notice bibliographique
Résumé
BACKGROUND: Diabetes has no cure so far, but appropriate self-management contributes to delay or control its progression. However, poor self-management by diabetic patients adds to disease burden. The pooled prevalence of overall, and its main components of poor self-management among Ethiopian diabetic patients remain elusive. Hence, this study aimed to determine the prevalence of poor diabetes self-management behaviors among diabetic patients in Ethiopia. METHOD: by using different combinations of search terms, we accessed articles done until February 15, 2020 through Pubmed, Scopus, Web of Science and Embase databases. Newcastle-Ottawa quality assessment scale was used for quality assessment, and STATA version 14 software along with the random-effects model was employed for statistical analyses. The Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA.) guideline was followed to report the results. RESULT: Twenty-one studies with 7,168 participants were included in this meta-analysis. The overall pooled prevalence of poor self-management behavior among diabetic patients in Ethiopia was 49.79% (95% CI: 43.58%, 56.01%). Based on subgroup analysis, the estimated magnitudes of poor self-management by regions were 68.58% in Tigray, 55.46% in Harari, 54.74%, in Amhara, 40.90%, in SNNPRS and 37.06% in Addis Ababa. The worst (80.91%) and relatively better (24.65%) self-management components were observed on self-blood glucose monitoring and medication adherence, respectively. CONCLUSION: One in two diabetic patients in Ethiopia had poor self-management. Thus, we strongly recommend to the ministry of health and universities to train diabetes health educators, and the health facilities to deliver tailored diabetes health education.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».