Socioeconomic and demographic determinants of tobacco use in Kenya: A secondary data analysis of findings from the Kenya Demographic and Health Survey 2022
Notice bibliographique
Résumé
INTRODUCTION: Tobacco use is a major public health crisis in Kenya, leading to over 6000 deaths annually. With a significant number of young people and adults using tobacco, the nation faces a rising health burden. The Kenyan government has implemented educational programs to curb consumption. This study analyzes data from the 2022 Kenya Demographic and Health Survey (KDHS) to assess changes in tobacco use from 2014 to 2022 and identify key demographic and socioeconomic determinants. METHODS: This study is a secondary data analysis of the 2022 Kenya Demographic and Health Survey (KDHS), a nationally representative survey of 46609 adults (aged 15-54 years). Data access was through the MEASURE DHS platform, ensuring ethical handling. A logistic regression model was used to estimate odds ratios of tobacco use, adjusting for socioeconomic and demographic factors. The analysis accounted for the survey's complex design using survey weights and clustering and was conducted in Stata 17 software. RESULTS: Between 2014 and 2022, overall tobacco use declined. Among men, prevalence dropped from 17.3% to 12.81% (25.95% decrease), and among women from 3.10% to 2.64% (14.84% decrease). While women's smoking slightly increased (0.18-0.35%), their smokeless use decreased (0.93-0.77%). Tobacco use was linked to age, marital status, residence, region, education level, and gender. Men's tobacco use odds increased with age, with those aged 20-24 years nearly five times more likely to use tobacco than those aged 15-19 years (AOR=4.44; 95% CI: 4.44-4.44). Married men were less likely to use tobacco than divorced, separated, or widowed men. CONCLUSIONS: The observed declines in tobacco use, especially among males, suggest that current tobacco control efforts are positively impacting public health. Given the financial strain of health costs, preventive interventions are crucial. Research on socioeconomic and demographic factors can guide targeted behavioral change strategies. Continued policy measures like increased tobacco taxation, raising the legal sale age, and enforcing advertising bans and smoke-free policies remain essential to further reduce tobacco's health burden in Kenya.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».