Geographical Disparities in Hypertension Incidence Rate in Iran 2004-2016: Bayesian Spatial Analysis
Notice bibliographique
Résumé
Introduction: Cardiovascular diseases such as coronary heart disease, heart failure, arrhythmia, and cardiomyopathy all include hypertension as a key risk factor. Research has shown that the early detection and treatment of hypertension and its risk factors, as well as public health policies to reduce behavioral risk factors, have led to a gradual reduction in mortality caused by heart disease and stroke in high-income countries in the past three decades. Trends in hypertension incidence have been monitored at the national level in Iran. The aim of this study examine province-level disparities in Hypertension incidence from 2004 to 2016. Methods: Use the Non-Communicable Diseases Risk-Factors Surveillance in the Islamic Republic of Iran STEPs registry data. to estimate the incidence rate of hypertension for all provinces in 2004, 2006-2009, 2011, and 2016 using a Bayesian spatial model with Markov chain Monte Carlo algorithm in OpenBUGS version 3.2.3 and R version 4.2.2. Results: The estimated Hypertension incidence rate in total increased from 19.87 per 1000 people (95% credible interval 14.28, 25.48) in 2004 to 193.02 (171.92, 220.48) in 2016. According to the estimates of 2016, we found that the provinces of Markazi, Ardabil, and Semnan had the highest rate of hypertension, and the provinces of Hormozgan, and Sistan-Baluchistan had the lowest rate. Our findings show that Khorasan, North, Alborz, and Semnan have the most significant percentage change in incidence rate from 2004-2016. Conclusion: To reduce the prevalence of hypertension in Iranian regions, it is crucial to develop regular hypertension screening programs, especially among the elderly
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 ».