Identifying Factors Associated With Hypertension Using Structural Equation Modeling: Evidence from a Large Kurdish Cohort Study in Iran
Notice bibliographique
Résumé
Abstract BackgroundIdentifying the risk factors leading to hypertension can help explain why some populations are at a greater risk for developing hypertension than others. The present study seeks to identify the causal paths among the risk factors of hypertension in 35- to 65-year-old participants in western Iran.MethodsThe secondary analysis was conducted using the data obtained in the recruitment stage of Ravansar Non-Communicable Disease (RaNCD) cohort. Each of the latent variables were confirmed by confirmatory factor analysis. Using Structural Equation Modeling (SEM), we assessed the direct and indirect effects of the risk factors associated with hypertension.ResultsSocioeconomic status (SES), physical activity, lipid profile, obesity, Diabetes and family history of hypertension had a diverse impact on the blood pressure, directly and (or) indirectly. When investigating the latent and observers risk factors and the interrelations between different risk factors, The standardized total effect (the sum of direct and indirect effects, βt) of SES, physical activity, lipid profile, obesity, on the blood pressure was( -0.09 vs -0.14), (-0.04 vs -0.04), (0.13 vs 0.13), (0.24 vs 0.15) in men and women respectively. Diabetes had a direct relationship with the blood pressure in women (0.03).ConclusionWith regard to control of high blood pressure, public health interventions must target obesity,SES, lifestyle and nutritional factors such as hyperlipidemia and hyperglycemia in Iranian population
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 | 0,011 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».