Generalized Equations for Estimating DXA Percent Fat of Diverse Young Women and Men
Notice bibliographique
Résumé
PURPOSE: Popular generalized equations for estimating percent body fat (BF%) developed with cross-sectional data are biased when applied to racially/ethnically diverse populations. We developed accurate anthropometric models to estimate dual-energy x-ray absorptiometry BF% (DXA-BF%) that can be generalized to ethnically diverse young adults in both cross-sectional and longitudinal field settings. METHODS: This longitudinal study enrolled 705 women and 428 men (aged 17-35 yr) for 30 wk of exercise training (3 d·wk(-1) for 30 min·d(-1) of 65%-85% predicted V˙O2max). The distribution of ethnicity was as follows: 37% non-Hispanic white, 29% Hispanic, and 34% African-American. DXA-BF%, skinfold thicknesses, and body mass index (BMI) were collected at baseline and after 15 and 30 wk. RESULTS: Skinfolds, BMI, and race/ethnicity were significant predictors of DXA-BF% in linear mixed model regression analysis. For comparable anthropometric measures (e.g., BMI), DXA-BF% was lower in African-American women and men but higher in Hispanic women compared with non-Hispanic white. Addition of BMI to the skinfold model improved the SEE for women (3.6% vs 4.0%), whereas BMI did not improve prediction accuracy of men (SEE = 3.1%). CONCLUSIONS: These equations provide accurate predictions of DXA-BF% for diverse young women and men in both cross-sectional and longitudinal settings. To our knowledge, these are the first published body composition equations with generalizability to multiple time points, and the SEE estimates are among the lowest published in the literature.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».