Prevalence and Socioeconomic Factors of Diabetes and High Blood Pressure Among Women in Kenya: A Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: The emerging burden of high blood pressure (HBP) and diabetes in sub-Saharan Africa will create new challenges to health systems in African countries. There is a scarcity of studies that have reported associations of diabetes and HBP with socioeconomic factors on women within the population. We assessed the prevalence and socioeconomic factors of diabetes and high blood pressure among women in Kenya. METHODS: We analysed cross-sectional data from the 2014 Kenya Demographic and Health Survey. Subjects were women aged 15-49 years. Self-reported status of HBP and diabetes was used to measure the prevalences. The association between educational and wealth index with HBP and diabetes was assessed by multivariable binary logistic regression. RESULTS: The prevalences of self-reported HBP and diabetes were 9.4% and 1.3%, respectively. Women with secondary [aOR = 1.53; 95% CI = 1.15-2.02] and primary [aOR = 1.48; 95% CI = 1.15-1.92] levels of education were more likely to report having HBP, compared to those with no formal education. However, there was no significant association between educational level and self-reported diabetes. In terms of wealth quintile, we found that women with higher wealth quintile were more likely to report having HBP and diabetes compared to those with poorest wealth quintile. Specifically, the highest odds of self-reported HBP was found among women with richest wealth quintile compared to those with poorest wealth quintile [aOR = 2.22; 95% CI = 1.71-2.88]. Also, women with poorer wealth quintile were more likely to have self-reported diabetes compared to those with poorest wealth quintile [aOR = 1.89; 95% CI = 1.08-2.38]. CONCLUSION: The prevalence of HBP and diabetes was low among women in Kenya. Household wealth status was associated with HBP and diabetes. No causation can be inferred from the data; hence, longitudinal studies focusing on health-related behaviour associated with NCDs are recommended. Proper dissemination of health information regarding the risk factors for HBP and diabetes may prove to be beneficial for NCD prevention programmes.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».