Prevalence of Diabetes and the Relationship Between Wealth and Social Demographic Characteristics Across 6 Low-and-Middle Income Countries
Notice bibliographique
Résumé
Background: As the global burden of diabetes persists, research is needed to understand the role of wealth and correlates of diabetes across regions of the world. The purpose of this study is to examine the prevalence and role of wealth and diabetes across 6 low- and middle- income countries while also accounting for independent correlates of diabetes by country. Methods: Data from the Study on Global Ageing and Adult Health (SAGE), SAGE Wave 1 was used. Self-reported diabetes status was the primary dependent variable and wealth quintile, number of dwelling characteristics and possession of a set of assets, was the independent variable. Logistic regression models examined the relationship between wealth and presence of diabetes across 6 countries with the highest wealth quintile, quintile 1, serving as the reference group. Results: Sample size by country included Ghana N = 5573, South Africa N = 4227, Russia N = 4947, Mexico N = 5448, India N = 12198, and China N = 15050. Average age across country ranged from 49 to 63 years of age. Prevalence of diabetes across country included 3.4% and 9.2% for Ghana and South Africa, respectively. In Russia, 8.3%; Mexico, 18.1%; India, 4.9%; and China, 5.9% of the sample reported having diabetes. In the adjusted logistic model, wealth was associated with higher odds of diabetes in Ghana (OR 2.26; CI 1.28; 4.13), South Africa (OR 4.57; CI 2.25; 10.32), Mexico (OR 2.00; CI 1.14; 3.60), India (OR 2.45; CI 1.60; 3.86), and China (OR 2.16; CI 1.62, 2.93). Conclusions: These findings add to the growing body of evidence in our understanding between wealth and diabetes. As diabetes persists as a leading cause of death globally, future work should focus on mechanisms underlying the relationship between wealth and diabetes while also developing interventions to mitigate his burgeoning disease affecting communities across low- and middle-income countries.
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 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».