Lay knowledge of cardiovascular disease and risk factors in three communities in Accra, Ghana: a cross-sectional survey
Notice bibliographique
Résumé
OBJECTIVES: Cardiovascular disease is a major cause of morbidity and mortality in Ghana, and urban poor communities are disproportionately affected. Research has shown that knowledge of cardiovascular disease (CVD) is the first step to risk reduction. This study examines knowledge of CVD and risk factors and determinants of CVD knowledge in three urban poor communities in Accra, Ghana. METHODS: Using the Cardiovascular Disease Risk Factors Knowledge Level Scale, which has been validated in Ghana, we conducted a cross-sectional survey with 775 respondents aged 15-59 years. CVD knowledge was computed as a continuous variable based on correct answers to 27 questions, and each correct response was assigned one point. Linear regression was used to determine the factors associated with CVD knowledge. RESULTS: The mean age of the participants was 30.3±10.8 years and the mean knowledge score was 19.3±4.8. About one-fifth of participants were living with chronic diseases. Overall, 71.1% had good CVD knowledge, and 28.9% had moderate or poor CVD knowledge. CVD knowledge was low in the symptoms and risk factor domains. A larger proportion received CVD knowledge from radio and television. The determinants of CVD knowledge included ethnicity, alcohol consumption, self-reported health and sources of CVD knowledge. CVD knowledge was highest among a minority Akan ethnic group, those who were current alcohol consumers and those who rated their health as very good/excellent, compared with their respective counterparts. CVD knowledge was significantly lower among those who received information from health workers and multiple sources. CONCLUSION: This study underscores the need for health education programmes to promote practical knowledge on CVD symptoms, risks and treatment. We outline health systems and community-level barriers to good CVD knowledge and discuss the implications for developing context-specific and culturally congruent CVD primary prevention interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».