Clustering of non-communicable disease risk factors among school teachers: A cross-sectional study in Kerala, India
Notice bibliographique
Résumé
Background There is limited data on non-communicable disease (NCD) risk factors among teachers in low and middle-income settings. We assessed the prevalence and clustering of NCD risk factors among school teachers in Kerala. Methods This study analyzed data from 2216 school teachers in the Thiruvananthapuram district of Kerala. The World Health Organization (WHO) STEPs questionnaire for NCD risk factor surveillance was used. We collected socio-demographic information and behavioural risk factors using STEP-1 and clinical measurements using STEP-2. We included WHO recommended four behavioural risk factors and four metabolic risk factors for analysis. Results The main risk factors were physical inactivity (76.4 %) and overweight/obesity (68.8 %). Current tobacco use was reported by 5 % of men, while 13.4 % of men and 2.6 % of women reported alcohol use. A quarter of teachers consumed than five servings of fruits and vegetables daily. Self-reported diabetes prevalence was 10.6 % and dyslipidaemia was 22.4 %. Hypertension prevalence was 18.1 %. Only 2.8 % had no risk factors, 18.9 % had one, 37.7 % had two, and 40.6 % had three or more. Among physically inactive participants, the most common co-occurring risk factor was overweight, followed by insufficient fruit and vegetable intake. For overweight participants, physical inactivity and insufficient fruit and vegetable consumption were prevalent. In hypertensives, the most common co-morbidity was being overweight, followed by physical inactivity. Conclusion A higher proportion of teachers had three or more NCD risk factors indicating the need for targeted interventions for school teachers to mitigate these risk factors to prevent NCDs.
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 | 0,022 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».