Factors Influencing Malnutrition Among Older Adult Residents in the Western Region of Saudi Arabia: Sex Differential Study
Notice bibliographique
Résumé
BACKGROUND: The global population of older adults is on the rise. As people age, their physical functions gradually decline, leading to a decrease in the overall functioning of different organ systems. Due to these changes, older individuals are at a higher risk of encountering various adverse health outcomes and complications, such as malnutrition. OBJECTIVE: This study aims to investigate the prevalence of malnutrition and its associated factors among older adults dwelling in the western region of Saudi Arabia. We have analyzed these factors separately for both men and women to understand any potential sex differences. METHODS: A nonrandomized cross-sectional study was conducted for older adults aged ≥60 years in the western region of Saudi Arabia. Personal information was obtained through a closed questionnaire. The Mini Nutritional Assessment Short Form was used to determine the malnutrition status of older adults. Consequently, the individuals were divided into 2 groups: normal and malnourished. To assess the risk factors related to malnutrition, the odds ratio (OR) and 95% CI were determined using a binary logistic regression. RESULTS: The prevalence of malnutrition in men and women was around 7% and 5%, respectively. Potential risk factors related to malnutrition in men were higher age (OR 1.263, 95% CI 1.086-1.468; P=.002), being widowed (OR 8.392, 95% CI 1.002-70.258; P=.049), and having dental problems (OR 9.408, 95% CI 1.863-47.514; P=.007). On the other hand, risk factors associated with malnutrition in women were lower BMI (OR 0.843, 95% CI 0.747-0.952; P=.006) and being disabled (OR 18.089, 95% CI 0.747-0.952; P=.006). CONCLUSIONS: The findings of this study provide important insights into the risk factors for malnutrition among older adults in the western region of Saudi Arabia. While the overall prevalence of malnutrition was relatively low, the analysis revealed distinct risk factors for older men and women. Interventions developed based on the identified risk factors may prove effective in addressing the issue of malnutrition within this population.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».