Predictors of vision screening among Saudis at primary healthcare settings in Riyadh, Saudi Arabia: findings from a cross-sectional survey
Notice bibliographique
Résumé
Background Visual impairment, including low vision and blindness, is an important global health concern. In Saudi Arabia, research on vision screening prevalence and its predictors is limited. This study aimed to determine the prevalence of vision screening and identify associated factors among Saudi residents attending primary healthcare settings. Methods A cross-sectional survey was conducted from March to July 2023, involving 14,239 participants from 48 randomly selected primary healthcare centers in Riyadh. Data were collected electronically from participants aged 18 years and older, using a validated questionnaire covering sociodemographic characteristics, health-related behaviors, and comorbidities. Vision screening (yes/no) was the outcome of interest, and predictors were identified using multiple logistic regression. All statistical analyses were performed using Statistical Package for the Social Sciences (SPSS) software. Results The mean age of the population sample was 59.7 years ± SD 16.6 years, 56.6% were female, and 65.3% were married. The overall prevalence of vision screening was 9.1%. Multivariable analysis revealed that higher education (AOR 0.65–0.67, 95% CI [0.50–0.84] for up to high school; [0.52–0.87] for college/university; [0.44–0.76] for others) and marriage (AOR 0.81, 95% CI [0.70–0.94]) were associated with lower odds of vision screening. Conversely, unemployment (AOR 1.28, 95% CI [1.12–1.46]), exercise (AOR 1.29, 95% CI [1.14–1.47]), diabetes (AOR 1.49, 95% CI [1.24–1.80]), and obesity (AOR 1.39, 95% CI [1.11–1.75]) were associated with higher odds (all p < 0.05). Age, sex, insurance coverage, smoking, and hypertension did not reach statistical significance. Conclusion Overall, the prevalence of vision screening among the Saudi residents was low. This study identified key sociodemographic and health-related predictors of vision screening among Saudi residents. Targeted interventions are needed to improve screening rates, particularly among underutilizing groups such as those with higher education, married individuals, and employed individuals. Future research should qualitatively explore underlying reasons for these disparities to inform effective and culturally sensitive strategies.
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 | 0,002 |
| 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 ».