Prevalence of Diabetes Mellitus and Hypertension Among COVID‐19 Patients: A Cross‐Sectional Study Exploring Associations With Sociodemographic and Biological Factors in Rajshahi Division, Bangladesh
Notice bibliographique
Résumé
ABSTRACT Background and Aims Diabetes mellitus (DM) and hypertension (HT) are major global health concerns, with a rising prevalence worsened by the COVID‐19 pandemic. The interplay between these chronic conditions and COVID‐19 presents a unique public health challenge, particularly in low‐ and middle‐income countries such as Bangladesh. This study aimed to (1) determine the prevalence of DM and HT among individuals affected by COVID‐19 pandemic in Rajshahi Division, Bangladesh, and (2) explore associations with sociodemographic and biological factors. Methods This cross‐sectional study was conducted in the Rajshahi Division of Bangladesh between April and August 2021. Data was collected from 390 COVID‐19‐positive patients using a structured questionnaire and physical measurements, focusing on sociodemographic and biological factors associated with DM and HT. Logistic regression analyses were performed to identify significant risk factors. Results Among participants, 12.05% had DM, 15.89% had HT, and 7.95% had both. Older age ( > 50 years) was significantly associated with higher prevalence of both conditions (p < 0.001). Females were more likely to have DM (16.6% vs. 9.2%), HT (19.2% vs. 13.8%), and both (10.6% vs. 6.3%) than males (p < 0.05). Private or self‐employed individuals had a significantly higher risk of both DM and HT (RRR: 7.66, 95% CI: 4.26–12.37, p < 0.001). Obesity (BMI ≥ 25) was linked to increased prevalence of DM (13.2%), HT (21.0%), and both (10.2%). Elevated SBP and DBP were strongly associated with comorbidity (p < 0.001), and tobacco use increased the odds of DM (AOR: 2.45, 95% CI: 1.13–5.29, p = 0.02). Conclusion Targeted interventions, such as community‐based education, improved chronic disease management, and culturally tailored strategies, are recommended to address these conditions effectively. Strengthening healthcare infrastructure and conducting longitudinal research to explore causal pathways will be critical in mitigating the impact of these comorbidities and improving pandemic preparedness in resource‐limited settings.
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 | 0,000 | 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 | 0,001 | 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) | 0,002 | 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 ».