Self-care practices in diabetes among populations in India: a systematic review and meta-analysis
Notice bibliographique
Résumé
Diabetes mellitus is a chronic condition that requires consistent self-management to prevent complications and maintain quality of life. This meta-analysis estimated the pooled prevalence of various self-care components in Indian populations with diabetes and their regional distribution. A literature search was conducted for studies published between January 2014 and November 2024 in PubMed, EMBASE, Scopus, Web of Science, and Google Scholar. Studies reporting prevalence of various self-care practices among diabetic populations in India were included. Data was extracted based on study details, demographics, setting, and self-care practices. Study quality and bias risk were assessed using the Newcastle-Ottawa Scale. Statistical analysis was done in Stata version 18. A mixed method model was used to estimate the pooled prevalence. Heterogeneity was explored through sub-group analysis, sensitivity analysis and meta-regression. A total of 29 articles were included in this review with 7863 populations. Most studies belonged to southern India ( n = 19, 65.5%), and community settings ( n = 15, 51.7%). The pooled prevalence of drug adherence was highest (71%, 95% CI: 63–79). This was followed by glucose monitoring (60, 50–70), dietary compliance (51, 42–59), healthy coping (43, 22–63), physical activity (41, 34–47), risk reduction (28, 20–36), and problem solving (22, 12–33). Meta-regression showed that the prevalence of physical activity is notably higher in the West (1.02, 95% CI: 0.57–1.48), East (0.77, 0.36–1.18), North (0.78, 0.36–1.18), and South (0.65, 0.31–1.0) regions compared to Central region. Glucose monitoring was significantly higher in East (0.7, 0.2–1.2) and South (0.57, 0.15–1.0) regions compared to Central region. Self-care practices among diabetic populations in India remain suboptimal, with considerable variation across regions. These findings underscore the urgent need for context-specific, scalable interventions and strengthened health system support to promote comprehensive diabetes self-management across the country.
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 | 0,013 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,043 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».