Sosyoekonomik Durumun Diyabet İle İlişkisi ve Diyabete Etkisinin İncelenmesi

Abstract

Amaç: Dünyada diyabet prevelansı artan bir eğilim göstermektedir. Bu çalışmada diyabet ve sosyoekonomik durum arasındaki ilişkiyi ve sosyoekonomik durumun diyabete etkisini belirlemek amaçlanmıştır. Gereç ve Yöntemler: Çalışma kapsamında 2017 yılına ait ülke bazında diyabet, sağlık harcamaları, gini katsayısı, kişi başı sağlık harcamaları ve kişi başına düşen gayri safi yurtiçi hasılaya ilişkin veriler, Organisation for Economic Co-operation and Development- Ekonomik Kalkınma ve İşbirliği Örgütü (OECD) ve Knoema veri tabanlarından alınmıştır. İstatistiksel veri analizi aşamasında tüm uygulamalar R Project yazılımı ile hazırlanmıştır. Çalışmada; OECD ülkelerinin gelir, yoksulluk ve sağlık harcamaları göstergeleri kullanılarak kümeleme analizi ve bağımsız değişkenler arasında çoklu bağlantı problemi saptandığından dolayı iz (ridge) regresyon analizi yapılmıştır. Bulgular: Kümeleme analizi bulgularına göre, kişi başına gayrı safi yurtiçi hasılası ve kişi başına sağlık harcaması yüksek olan OECD ülkelerinde diyabet prevalansının göreceli olarak daha düşük olduğu tespit edilmiştir. Tahmin edilen iz regresyon modellerine bütüncül olarak bakıldığında, OECD ülkelerindeki kişi başına gelir düzeyinin 1.000 dolar artması sonucunda 100.000 kişi arasından 4 veya 5 kişi için diyabet hastalığının önlenebileceği ortaya çıkmıştır. Sonuç: Genel olarak bakıldığında Avrupa ve İskandinavya’nın gelişmiş ülkelerinin ekonomik ve sağlık göstergeleri açısından başarılı olan grupta yer aldığı görülmektedir. Kişi başına gayrı safi yurtiçi hasıla arttıkça diyabet prevalansının azalacağı sonucuna varılmıştır

Keywords

• diyabet
• sosyoekonomik durum
• kümeleme analizi
• iz regresyon analizi

The Relationship Between Socioeconomic Status and Diabetes, and the Effect of Socioeconomic Status On Diabetes

Abstract

Aim: The prevalence of diabetes in the world shows an increasing trend. This study aimed to determine the relationship between diabetes and socioeconomic status and the effect of socioeconomic status on diabetes. Material and Methods: Data on diabetes, health expenditures, Gini coefficient, health expenditures per capita and gross domestic product per capita for 2017 were taken from the Organisation for Economic Co-operation and Development (OECD) and Knoema databases. In the statistical data analysis stage, all applications were prepared with R Project software. In this study, using the indicators of income, poverty, and health expenditure of OECD countries, cluster analysis and due to the multicollinearity problem among the independent variables, ridge regression analysis were performed. Results: According to the findings of the cluster analysis, the prevalence of diabetes was found to be relatively lower in OECD countries with a high gross domestic product per capita and health expenditure per capita. A holistic look at the predicted ridge regression models showed that diabetes can be prevented for 4 or 5 people out of 100,000 as a result of the increase in the per capita income level in OECD countries by $ 1,000. Conclusion: In general, it is seen that developed European and Scandinavian countries are in the successful group in terms of economicand health indicators. It has been concluded that the prevalence of diabetes will decrease as gross domestic product per capita increases.

Keywords

• Diabetes, Socioeconomic status, Cluster analysis, Ridge regression analysis

References

1. 1. International Diabetes Federation. IDF diabetes atlas 2019. https://www.diabetesatlas.org/en/. Erişim Tarihi: 29.11.2019.
2. 2. UCLA. What is diabetes. 2014. http://healthpolicy.ucla.edu/publications/Documents/PDF/2014/1%20in%203_Press%20Kit_diabetes%20fact%20sheet.pdf. Erişim Tarihi: 27.11.2019
3. 3. Esperzo-Romero J, Valencia M E, Urquidez-Romero R, Chaudhari LS, Hanson RL, Knowler WC, ... Schulz LO. Enviromentally driven increases in Type 2 diabetes and obesity in pima indians and non-pimas in Mexico over a 15-year period: The Maycoba Project. Diabetes Care 2015; 38: 2075-2082.
4. 4. Dagenais GR, Gerstein HC, Zhang X, McQueen M, Lear S, Lopez-Jaramillo P, ... Yusuf S. Variations in diabetes prevalence in low-, middle-, and high-income countries: Results from the prospective urban and rural epidemiological stduy. Diabetes Care 2016; 39: 780-787.
5. 5. Bakan G, Azak A, Özdemir Ü. Diyabet ve sosyo-kültürel yaklaşım. Kesit Akademi Dergisi 2017; 3(12): 180-195.
6. 6. Agardh E, Allebeck P, Hallqvist J, Moradi T, Sidorchuk A. Type 2 diabetes incidence and socio-economic position. A systematic review and meta-analysis. Int J Epidemiol 2011; 40: 804-818.
7. 7. Baysal A. Sosyal eşitsizliklerin beslenmeye etkisi. C. Ü. Tıp Fakültesi Dergisi 2003; 25(4): 66-72.
8. 8. Novignon J, Olakojo SA, Novignon J. The effects of public and private health care expenditure on health status in sub-Saharan Africa: new evidence from panel data analysis. Health Economics Review 2012; 2: 22.

9. 9. Walker JJ, Livingstone SJ, Colhoun HM, Lindsay RS, McKnight JA, Morris AD, ... Wild SH. Effect of socioeconomic status on mortality among people with type 2 diabetes. Diabetes Care 2011; 34: 1127-1132.
10. 10. Conway BN, May ME, Blot WJ. Mortality among low-income African Americans and Whites with diabetes. Diabetes Care 2012; 35: 2293-2299.
11. 11. Bilal U, Glass TA, Cura- Gonzales I, Sanchez- Perruca L, Celentano DD, Franco M. Neighborhood social and economic change and diabetes incidence. The HeartHealtyHoods study. Health & Place 2019; 58: 102149.
12. 12. Regidor E, Albaladejo R, Mateo A, de la Fuente L, Barrio G, Ortega P. Macroeconomic fluctuations, changes in lifestyles and mortality from diabetes: a quasiexperimental study. J Epidemiol Community Health 2019; 0: 1-7.
13. 13. Grigsby-Toussaint DS, Lipton RL, Chavez N, Handler A, Johnsoni TP, Kubo J. Neighborhood socioeconomic change and diabetes risk. Diabetes Care 2010; 33: 1065-1068.
14. 14. OECD Data- Health. https://data.oecd.org/health.htm. Erişim Tarihi: 15.11.2019.
15. 15. World Data Atlas. https://knoema.com/atlas. Erişim Tarihi: 17.11.2019.
16. 16. Fraley C, Raftery AE. Model-based methods of classification: using the mclust software in chemometrics. Journal of Statistical Software 2007; 18(6), 1-13.
17. 17. Cule E, Moritz S. Ridge: Ridge Regression with Automatic Selection of the Penalty Parameter. R package version, 2.4. 2019. URL https://cran. r-project. org/web/packages/ridge.
18. 18. Revelle W. (2018) Psych: Procedures for Personality and Psychological Research, Northwestern University, Evanston, Illinois, USA. https://CRAN.R-project.org/package=psych Version = 1.8.4.
19. 19. Friedman, Trevor Hastie, T., & Tibshirani, R. Regularization Paths for Generalized Linear Models via Coordinate Descent. Journal of Statistical Software 2010; 33(1): 1-22.
20. 20. Usher-Smith JA, Thompson M, Ercole A, Walter FM. Variation between countries in the frequency of diabetic ketoacidosis at first presentation of type 1 diabetes in children: a systematic review. Diabetologia 2012; 55:2878–2894.
21. 21. Hwang J, Shon C. Relationship between socioeconomic status and type 2 diabetes: results from Korea National Health and Nutrition Examination Survey (KNHANES) 2010–2012. BMJ Open 2014; 4:e005710.
22. 22. Sonğur C. Sağlık göstergelerine göre ekonomik kalkinma ve işbirliği örgütü ülkelerinin kümeleme analizi. Sosyal Güvenlik Dergisi 2016; 6(1): 197-224.
23. 23. Bhalotra S. Spending to save? State health expenditure and infant mortality in India. Health economics 2007; 16.9: 911-928.
24. 24. Zhang P, Zhang X, Brown J, Vistisen D. Global healthcare expenditure on diabetes for 2010 and 2030. Diabetes Research and Clinical Practice 2010; 87(3): 293-301.