Type 2 diabetes epidemic and key risk factors in Qatar: a mathematical modeling analysis
Notice bibliographique
Résumé
INTRODUCTION: We aimed to characterize and forecast type 2 diabetes mellitus (T2DM) disease burden between 2021 and 2050 in Qatar where 89% of the population comprises expatriates from over 150 countries. RESEARCH DESIGN AND METHODS: An age-structured mathematical model was used to forecast T2DM burden and the impact of key risk factors (obesity, smoking, and physical inactivity). The model was parametrized using data from T2DM natural history studies, Qatar's 2012 STEPwise survey, the Global Health Observatory, and the International Diabetes Federation Diabetes Atlas, among other data sources. RESULTS: Between 2021 and 2050, T2DM prevalence increased from 7.0% to 14.0%, the number of people living with T2DM increased from 170 057 to 596 862, and the annual number of new T2DM cases increased from 25 007 to 45 155 among those 20-79 years of age living in Qatar. Obesity prevalence increased from 8.2% to 12.5%, smoking declined from 28.3% to 26.9%, and physical inactivity increased from 23.1% to 26.8%. The proportion of incident T2DM cases attributed to obesity increased from 21.9% to 29.9%, while the contribution of smoking and physical inactivity decreased from 7.1% to 6.0% and from 7.3% to 7.2%, respectively. The results showed substantial variability across various nationality groups residing in Qatar-for example, in Qataris and Egyptians, the T2DM burden was mainly due to obesity, while in other nationality groups, it appeared to be multifactorial. CONCLUSIONS: T2DM prevalence and incidence in Qatar were forecasted to increase sharply by 2050, highlighting the rapidly growing need of healthcare resources to address the disease burden. T2DM epidemiology varied between nationality groups, stressing the need for prevention and treatment intervention strategies tailored to each nationality.
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 | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».