Perception of Health and Its Predictors Among Saudis at Primary Healthcare Settings in Riyadh: Insights from a Cross-Sectional Survey
Notice bibliographique
Résumé
Background/Objectives: Despite a link between self-perception of health and morbidity and mortality, data are scarce on factors that can predict one’s health perception, particularly in nations like Saudi Arabia. We conducted a needs assessment to evaluate health perception and identify sociodemographic, behavioural, and comorbidity-related factors influencing health perception among Saudi individuals. Methods: We conducted a cross-sectional survey utilizing an electronic questionnaire that was distributed to 14,239 people who visited primary healthcare centers in Riyadh, Saudi Arabia. We used multiple logistic regression to identify predictors of good health. Data was analyzed using SPSS software. Results: About one-third of the individuals (33.7%) perceived to have excellent health and 35.6% perceived to have very good health. Only 2.1% of the study participants perceived to have poor health. Compared to participants younger than 50 years, those aged 50–75 years were 10% less likely to perceive their health as good (AOR: 0.89, 95% CI: 0.82, 0.97). Males were 1.09 times more likely to perceive their health as good than females (AOR: 1.09, 95% CI: 1.01, 1.18). Smokers were 74% less likely than non-smokers to perceive their health as good (AOR: 0.26; 95% CI: 0.24, 0.29). Obese individuals were 20% less likely to perceive their health in good condition than non-obese individuals (AOR: 0.80; 95% CI: 0.65, 0.98) Individuals with heart disease were about 50% less likely to perceive their health as good condition than those without heart disease (AOR: 0.52; 95% CI: 0.40, 0.76). Conclusions: Despite the high frequency of risk factors, we discovered that Saudis perceive their health to be good on average. However, an independent association between older age, females, smoking, obesity, and heart disease with poor health calls for future epidemiological studies incorporating qualitative dimensions to explore why these individuals with specific risk profiles perceive their health as worse than others.
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 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».