Cardiovascular Disease Risk Factors among White-Collar Workers towards Healthy Communities in Malaysia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cardiovascular disease (CVD) is the most common cause of mortality worldwide, including in most Western countries and Asian countries such as Malaysia. Reports by The Department of Statistics Malaysia highlighted that ischaemic heart diseases and cerebrovascular disease, which are a few of CVD, was the principal cause of death in 2016 and 2017. At the same time, big data is a part of Malaysia's fast-growing technology and has grown prominently in the six Malaysian government's public sector clustering which are profiling, social, economy, transportation, education, and also in healthcare. This paper focuses on healthcare big data, which is a prime example of how the three Vs of data, velocity (speed of generation of data), variety, and volume, are an innate aspect of the data it produces. Most healthcare data analytics has been conducted in the United States and Europe, however there were some studies in Canada and very little in Asia. This study will be conducted in Selangor, Malaysia focusing on white-collar workers among the Selangor healthy community. Interviews will be held within medical practitioner or healthcare provider in order to collected information. The information available from the National Cardiovascular Database (NCVD) published reports will be used to conduct the data analysis experiments which will lead towards the identification of CVD risk factors. The results obtained show that data crawling of social media data can be used as a means towards healthcare big data analytics. This will hence aid in the Malaysian healthcare integration process and aid the Malaysian government to provide better healthcare for the overall Malaysian healthy community and society.
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle