The role of socioeconomic inequalities in hypertension prevalence in latin america: a national data analysis from five countries
Notice bibliographique
Résumé
Drawing on comprehensive data from Brazil, Mexico, Colombia, Argentina, and Peru, this study exposes stark disparities in both the prevalence and management of hypertension across different social strata in Latin America. The evidence is hard to ignore: individuals in the lowest wealth quintile face a hypertension prevalence of 34.5%, nearly double that of their wealthiest counterparts (18.3%). Similarly, those with only primary education or less are disproportionately affected (33.7%) compared to individuals with university education (18.5%). Rural areas also carry a heavier burden, with a prevalence rate of 29.8% versus 21.7% in urban regions. These health inequalities are further compounded by significant gaps in health care awareness and access. Over half of individuals in the poorest group are unaware of their hypertensive status, in contrast to just a quarter of those in the affluent group. Treatment rates are also alarmingly low among the disadvantaged: nearly half receive no intervention, and three-quarters of cases remain uncontrolled. Geographic barriers only intensify these challenges, with the poor facing nearly six times the difficulty in accessing health care services. Notably, the analysis attributes approximately 42% of the disparity in hypertension rates between socioeconomic extremes to differences in access to health care. The burden of multimorbidity is also unequally distributed; the combination of hypertension, diabetes, and chronic kidney disease is five times more prevalent among the poor. The study also highlights significant gender differences and complex interactions between risk factors in both rural and urban contexts.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».