Predictors of Multimorbidity (Defined as Diabetes + Hypertension) Amongst Males Aged 15–54 in India: An Urban/Rural Split Analysis
Notice bibliographique
Résumé
Objectives: This study aimed to determine which sociodemographic and lifestyle factors may act as predictors of multimorbidity (defined as diabetes + hypertension) amongst men aged 15–54 within urban and rural areas of India. Methods: Data from the latest 2019–2021 India NFHS-5 survey were utilized. Presumed cases of multimorbidity were defined as men who had DM + HTN. A total of 22,411 men in urban areas and 66,768 rural men were analyzed using mixed-effect multi-level binary logistic regression models. Results: Various predictors were found to have a statistically significant association to multimorbidity. Urban areas: Age, region of residence, wealth, religion, occupation, and BMI. Rural areas: Age, education, region of residence, wealth, occupation, caste, BMI, alcohol consumption, media exposure, and tobacco consumption. Conclusion: Departing from the broad operational definitions often studied within literature, this study provided insight into one of the most prevalent specific multimorbidities across India. The urban/rural split analyses revealed substantial differences in high-risk characteristics across both areas, which have commonly been overlooked. These findings may better inform policymakers and assist in effectively reducing multimorbidity-related burden through area-specific preventative programs.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».