Use of traditional medicine for hypertension, diabetes, and hypercholesterolaemia measured in 71 surveys
Notice bibliographique
Résumé
Objective: To assess the pattern of traditional medicine use globally for treating hypertension, diabetes and hypercholesterolaemia. Methods: We pooled individual-level data from 309 745 non-pregnant people aged ≥ 15 years from 71 nationally representative surveys conducted in low- and middle-income countries between 2005 and 2021. We identified individuals with diagnosed hypertension, diabetes and hypercholesterolaemia who reported use of traditional medicine. For each condition, we estimated the prevalence of traditional medicine use at the global, regional and country-income level and the proportion using traditional medicine and biomedicine. We estimated the association between traditional medicine use and individual characteristics. Findings: The prevalence of traditional medicine use was 14.7% (95% confidence interval, CI: 12.7-16.9) for diabetes, 12.4% (95% CI: 10.0-15.3) for hypercholesterolaemia and 8.1% (95% CI: 7.3-9.0) for hypertension. Most individuals using traditional medicine for diabetes or hypercholesterolaemia also used biomedicine. Associations between sociodemographic characteristics and traditional medicine use varied between regions and health conditions. In the World Health Organization's (WHO) Western Pacific Region, traditional medicine use for diabetes was significantly higher in males and younger adults, whereas use for hypertension was significantly higher in females and older adults. In the WHO African Region, traditional medicine use for diabetes and hypertension was higher in males and individuals with lower education. Conclusion: Our study shows a high prevalence of traditional medicine use for treating hypertension, diabetes and hypercholesterolaemia in low- and middle-income countries. Our results highlight the need to better understand the clinical interactions and risks of traditional medicine for improved cardiometabolic treatment.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».