Hypertension and undiagnosed hypertension among Bangladeshi adults: Identifying prevalence and associated factors using a nationwide survey
Notice bibliographique
Résumé
Background: Although undiagnosed hypertension (HTN) is a serious concern worldwide, it is less of an importance in Bangladesh, where there is a dearth of research on the subject. So, we aimed to identify the prevalence and associated factors for diagnosed and undiagnosed HTN. Methods: We analyzed the recent 2017-2018 Bangladesh Demographic and Health Survey data. We included 11,981 participants aged 18 years and above for the analysis. The prevalence rates of both diagnosed and undiagnosed hypertension were computed for all individuals and subgroups. The influence of socio-demographic, household, and community-related variables on HTN and undiagnosed HTN was investigated using multinomial regression analysis. Results: The study finds 1,464 (12.2%) of the 11,981 respondents [6,815 females [56.9 %]; mean age 39.4 years] had diagnosed HTN, whereas 1 898 (15.8%) had undiagnosed HTN. The HTN and undiagnosed HTN were significantly prevalent in the elderly, type 2 diabetic (T2DM), and overweight and obese individuals. In terms of residential regions, people from coastal region had a significantly higher prevalence of both HTN (RRR: 1.37; 95% CI: 1.17-1.62) and undiagnosed HTN (RRR: 1.35; 95% CI: 1.17-1.56) compared to those from the central region of Bangladesh. Conclusions: The high prevalence of undetected hypertension in Bangladesh suggests that screening procedures for the current chronic illness may be inadequate in routine clinical practice. All populations should have access to hypertension screening, but it is especially crucial for the elderly, those with diabetes, those who are overweight or obese, and those from coastal and northern regions of Bangladesh.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».