Heterogenous subtypes of health literacy among individuals with Metabolic syndrome: a latent class analysis
Notice bibliographique
Résumé
Objective To explore the heterogenous subtypes and the associated factors of health literacy among patients with metabolic syndrome.Methods A cross-sectional study was conducted, and 337 patients with metabolic syndrome were recruited from Sir Run Run Shaw Hospital in Zhejiang Province from December 2021 to February 2022. The Social Support Questionnaire, Short version of the Health Literacy Scale European Questionnaire (HLS-EU-Q16), and MacArthur Scale of Subjective Social Status were used for investigation. Latent class analysis (LCA) was performed to explore the heterogenous subtypes of health literacy among Metabolic syndrome patients. Univariate analysis and logistic regression were used to identify the predictors of the latent classes.Results The findings of LCA suggested that three heterogeneous subtypes of health literacy among individuals with metabolic syndrome were identified: high levels of health literacy, moderate levels of health literacy, and low levels of health literacy. The multinomial logistic regression results indicated that compared with low levels of health literacy class, the high levels of health literacy class were predicted by age (OR 0.932, 95%CI[0.900-0.966]), socio-economic status (OR 1.185, 95%CI[1.058–1.328]), and social support (OR 1.065, 95%CI[1.012–1.120]). Compared with low levels of health literacy class, the moderate levels of health literacy class were predicted by age (OR 0.964, 95%CI[0.934–0.995]), socio-economic status (OR 1.118, 95%CI[1.006–1.242]), male (OR 0.229, 95%CI[0.092–0.576]).Conclusion The levels of health literacy among patients with metabolic syndrome can be divided into three heterogenous subtypes. The results can inform policy-makers and care professionals to design targeted interventions for different subgroups among patients with metabolic syndrome who are male, at older age, have less social support, and with disadvantaged socio-economic status to improve health literacy.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,003 | 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 ».