The Prevalence and Predictors of Sickle Cell Anemia in the Saudi Arabia General Population: Findings from a Cross-Sectional Study
Notice bibliographique
Résumé
Background/Objectives: Despite the high incidence of sickle cell anemia in Saudi Arabia, little is known about the sociodemographic characteristics, behavioral risk factors, and concomitant conditions of the condition. We performed this study to measure the prevalence of sickle cell anemia and its associated predictors among Saudi residents. Methods: This cross-sectional study was conducted in 48 primary healthcare centers across Saudi Arabia. A total of 14,239 Saudi residents were included through multi-stage random sampling. Data on sociodemographic variables, behavioral factors, and comorbidities were collected using a validated and reliable questionnaire. Univariate and multivariate logistic regression analyses were performed to identify the predictors of sickle cell anemia, with the statistical significance set at a p-value of <0.05. All analyses were carried out using SPSS version 26 for Windows. Results: Overall, the prevalence of sickle cell anemia was found to be 3.2% among Saudi residents. There was a positive association between insurance coverage and sickle cell anemia (AOR: 1.87; 95% CI: 1.52, 2.31). The odds of sickle cell anemia were 1.39 times higher among diabetic than non-diabetic individuals (AOR: 1.39; 95% CI: 1.01, 1.91). There were positive associations between sickle cell anemia and hypertension (AOR: 1.70; 95% CI: 1.23, 2.35), high cholesterol (AOR: 2.38; 95% CI: 1.74, 3.24), and heart disease (AOR: 8.05; 95% CI: 6.05, 10.71). Conclusions: Our findings indicate significant associations between sickle cell anemia and insurance coverage, smoking, obesity, diabetes mellitus, hypertension, hypercholesterolemia, and heart disease. While the overall prevalence of sickle cell anemia in our study was relatively modest, the Saudi Arabian government should prioritize the objective quantification of the disease burden across the population to effectively mitigate its consequences.
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 | 0,001 |
| 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 | 0,000 | 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) | 0,001 | 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 ».