Sociodemographic and Environmental Factors for Ill Health in Rwanda: Results from the 2016 Integrated Household Living Conditions Survey
Notice bibliographique
Résumé
Introduction A quarter of deaths are due to environmental factors worldwide, in Africa, and in Rwanda. Integrated Household Living Conditions Surveys (EICV) assess the living conditions of households. We sought to increase evidence on environmental factors in Rwanda. Materials and Methods We used a cross-sectional design to analyze the fifth EICV 5 conducted from October 2016 to October 2017, and conducted a multiple logistic regression to assess the prevalence of illness and environmental factors associated with disease in Rwanda. Results One-third of participants reported illness. Females (OR 1.26, 95% CI 1.22-1.33), over 65 years (OR 3.75, 95% CI 3.30-4.26), and affiliation with military medical insurance (OR=1.60, 95% CI: 1.14-2.23, p=0.006) indicated greater odds of disease. Using unimproved water sources (OR=1.47, 95% CI: 1.20-1.79, p<0.001), firewood for lighting (OR=1.28, 95% CI: 1.06-1.53, p=0.008), unimproved sanitation services (OR=1.72, 95% CI: 1.28-2.31, p<0.001), and occurrence of an environmental shock (OR=1.18, 95% CI: 1.18-1.39, p<0.001) showed higher odds of disease. Discussion Biological and social factors contribute to poorer health among females. Increased illness with age may be explained by aging-related changes. Higher odds of disease among military personnel might be due to the nature of their work. Increased odds of disease associated with non-improved drinking water sources reflect the drinking water ladder. We confirmed the harmful effects of wood consumption, the increased risk of illness across the sanitation ladder, and the association between environmental shocks and poor health. Conclusion Increased access to improved water sources, high-level sanitation services, and clean energy, reinforced disaster preparedness, and longitudinal studies are needed.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».