Prevalence and regional disparities of undiagnosed diabetes mellitus in Bangladesh: Results from the Bangladesh Demographic and Health Survey data
Notice bibliographique
Résumé
BACKGROUND: While undiagnosed diabetes mellitus (DM) presents a substantial global concern, there is a dearth of research examining its prevalence and characteristics specifically within the regional context of Bangladesh. The study focused on assessing the prevalence of undiagnosed diabetes mellitus in Bangladesh and examining regional disparities. METHODS: The study analyzed data from the Bangladesh Demographic and Health Survey conducted between 2017 and 2018. The analysis focused on 11,911 participants aged 18 and above. Prevalence rates of both diagnosed and undiagnosed DM were calculated across various demographic and regional factors. To understand the impact of socio-demographic and regional variables on diagnosed and undiagnosed DM, the study employed multinomial regression analysis. RESULTS: The study encompassed 11,911 participants with an average age of 39, of whom 57% were females. Among them, 333 individuals (2.8%) were diagnosed with diabetes mellitus (DM), while 667 participants (5.6%) had undiagnosed DM. The prevalence of both diagnosed and undiagnosed DM was notably higher in elderly, hypertensive, overweight or obese, and rural residents. Regression analysis indicated that individuals aged 70 and above faced 2.14 times more likely of diagnosed diabetes compared to those aged 30-39 (RRR = 2.20; 95% CI = 1.35-3.58). Regarding residential regions, individuals from the city exhibited significantly higher prevalence rates for both diagnosed DM (RRR: 1.83; 95% CI = 1.31-2.57) and undiagnosed DM (RRR: 1.52; 95% CI = 1.18-1.95) compared to those from the rural of Bangladesh. CONCLUSION: The high prevalence of undiagnosed DM in city areas suggests potential shortcomings in routine diabetes screening practices. Prioritizing screening, particularly for high-risk groups like older adults, individuals with elevated BMI, hypertension, and urban residents from the central region of the country, is crucial. These groups have elevated diabetes risk and face higher complications without timely detection and treatment. To address this issue, collaborative efforts among the Bangladeshi government, healthcare providers, and community organizations are imperative.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 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 ».