MétaCan
Menu
Retour à la cohorte
Enregistrement W1980448245 · doi:10.1007/s12160-010-9209-1

Television Viewing Time and Risk of Chronic Kidney Disease in Adults: The AusDiab Study

2010· article· en· W1980448245 sur OpenAlexaff
Brigid M. Lynch, S. L. White, Neville Owen, Geneviève N. Healy, Steven J. Chadban, Robert C. Atkins, David W. Dunstan

Notice bibliographique

RevueAnnals of Behavioral Medicine · 2010
Typearticle
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensAlberta Health Services
Organismes subventionnairesNational Health and Medical Research CouncilBaker Heart and Diabetes InstituteNational Heart Foundation of AustraliaAustralian GovernmentQueensland HealthBristol-Myers SquibbU.S. Department of Health and Human Services
Mots-clésAlbuminuriaKidney diseaseMedicineDiabetes mellitusRenal functionOdds ratioObesityRisk factorInternal medicineBody mass indexDiseaseCross-sectional studyProspective cohort studyDemographyEndocrinologyPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Television viewing time independent of physical activity is associated with a number of chronic diseases and related risk factors; however, its relationship with chronic kidney disease is unknown. PURPOSE: The purpose of this study is to examine the cross-sectional and prospective relationships of television viewing time with biomarkers of chronic kidney disease. METHODS: Participants of the Australian Diabetes, Obesity and Lifestyle Study attended the baseline (n = 10,847) and 5-year follow-up (n = 6,293) examination. RESULTS: Television viewing was significantly associated with increased odds of prevalent albuminuria and low estimated glomerular filtration rate. In the gender-stratified analyses this pattern was seen for men, but not for women. In the longitudinal analyses, odds of de novo albuminuria and low estimated glomerular filtration rate were increased only in unadjusted models. CONCLUSIONS: Television viewing time may be directly related to markers of chronic kidney disease and through intertwined associated risk factors such as diabetes, hypertension, and obesity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,400
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of Behavioral MedicineMême sujetPhysical Activity and HealthTravaux en français237 207