GEOGRAPHICAL ANALYSIS OF HYPERTENSION IN CANADIAN POPULATION
Notice bibliographique
Résumé
Objective: A quarter of population is affected by hypertension in Canada. Substantial improvement has been achieved in HTN control in Canada over the past twenty-five years. However, disparities associated with factors like sex, ethnicity, location and health care access remain. Reliable information about trends in hypertension is needed at regional scale for the development of health policies and programs. Health geography and geographic information systems can provide a better understanding of HTN and its risk factors by detecting clusters using spatial analysis and mapping rates of HTN. The objectives of the study were to identify health regions with significantly high or low HTN rate using geostatistics and compare evolution from 2005 to 2019. It also seeks out to identify their populations’ characteristics using conventional statistical analysis. Design and method: Canadian Community Health Survey (2005, 2015, 2019) data were used for the analysis. The 130,000 respondents are located according to health regions and data can be analyzed using a geographic information system. Using age and gender as criteria for subgroups creation, we applied spatial autocorrelation analysis and hot spot/cold analysis to identify geographically contiguous health regions with high or low HBP rates. We then extracted the records in CCHS database for all respondents living in these regions for further statistical analysis. Results: HTN is still a major problem in Canadian population, especially for people aged 65 years and older although 72.9% considered themselves in good, very good or excellent health in 2015. Increase in HTN rate in health regions is spread all over Canada, although some regions showed a decrease in HTN rate. Getis-ord analysis located a cold spot region in western Canada while a hot spot was located in Ontario, central Canada. Cluster of health regions with high HTN rates shows more diabetes and more obese people even though 38.4% declared being in good, very good or excellent health. Conclusions: Increase in hypertension rate in health regions is spread all over Canada, even tough some regions showed a decrease in HBP rate. Canadians 65 years and older with HBP where more prone to obesity & diabetes.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».