Cognitive impairment and reporting of hypertension among adults in india: Evidence from a population-based study
Notice bibliographique
Résumé
The study investigates the disparities between the prevalence of self-reported and measured hypertension among adults and the role of cognitive impairment in such disparities. The study used data from the first wave of the Longitudinal Aging Study in India, a nationally representative survey of 72,250 individuals. Percentage distributions were calculated for cognitive impairment, self-reported hypertension, and objective measures of hypertension along with the explanatory variables. Multivariable logistic regression was performed to assess the association of cognitive impairment and other factors with self-reported and measured hypertension. Furthermore, the Propensity Score Matching method was used to estimate the effect of cognitive impairment on self-reported hypertension, measured hypertension, and the misreporting of hypertension. Cognitive impairment was found in 9.8% of Indian adults in this study. Cognitive impairment was most prevalent among females and those over 75 years of age. Hypertension too was higher among females as well as among rural residents and those with no education compared to their respective counterparts. The likelihood of cognitively impaired adults having hypertension was 24% more than that of their cognitively unimpaired counterparts [OR = 1.24, CI = 1.18-1.32]. Other risk factors of hypertension were age, alcohol consumption, and place of residence. The PSM analysis revealed that individuals with cognitive impairment were 2.7% more likely to underreport their hypertensive status compared to those without cognitive impairment. The study underscores the significance of acknowledging reporting bias among individuals with cognitive impairment. Addressing this bias in healthcare systems is crucial. The policy recommendations encompass creating tailored healthcare interventions, improving access to healthcare, enhancing communication strategies, and providing robust support to those with cognitive impairment to ensure accurate diagnosis and proper disease management. Healthcare providers require training to identify and mitigate reporting biases in this vulnerable group. Doing so will ultimately enhance healthcare outcomes.
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) | 0,001 | 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 ».