Cardiovascular disease risk perception among community-dwelling adults in southwest Nigeria: A mixed-method study
Notice bibliographique
Résumé
OBJECTIVE: The rising prevalence of cardiovascular diseases (CVD) remains a global concern. In Nigeria, the current prevalence of CVD was 76.11% with its attendance burden. The CVD risk perception of individuals is a precursor to the desired lifestyle modification necessary for CVD prevention and management. This study assessed the CVD risk perception and sociodemographic determinants among rural and urban dwellers in southwest Nigeria. METHODS: The study employed a convergent parallel mixed-methods design involving concurrent data collection. The participants' CVD risk perception was obtained using the Perception of Risk of Heart Disease Scale (quantitative data) and a validated focus group discussion (FGD) guide (qualitative data). Quantitative analysis was completed using descriptive statistics, Phi, Cramer's V, and multivariate linear regression, while the FGD was thematically analysed. RESULTS: The quantitative study involved 1,493 participants (62.4% women) with a mean age of 46.90±15.65 years, while the FGD involved 53 participants (52.8% women) with a mean age of 50.10±13.5 years. Over a quarter (28%) of the participants had a poor CVD risk perception; the mean score was 44.40±8.07. Rural residents had a significantly poorer CVD risk perception than their urban counterparts (Mean difference = -3.16, p<0.001). Having tertiary education (β = 0.100, p < 0.001), living in urban areas (β = 0.174, p<0.001), and living in Lagos (β = 0.074, p = 0.013) and in Oyo, other than Ogun state (β = -0.156, p<0.001) significantly predicted having a good perception of CVD risk. FGD produced three themes: knowledge about CVD, CVD risk factors, and CVD prevention. CONCLUSION: Participants had a fair understanding of the causes and prevention of CVD. Yet, a substantial portion underestimated their own risk of developing CVD, particularly rural dwellers and people with lower education. More public health education is required to improve the CVD risk perception in southwestern Nigeria.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».