Predicting Cardiovascular Fitness From Accelerometry-based Indices Of Physical Activity In School-aged Children
Notice bibliographique
Résumé
Cardiovascular fitness (CVF) is a key determinant of health status across the lifespan. Previous research has shown a positive relationship between physical activity and CVF in adults; however, it is unclear whether this relationship extends to children. This is due in part to the challenge of measuring the physical activity habits of children. Although accelerometry is recommended as an appropriate tool to capture children's physical activity, the accelerometry outcomes that best predict CVF are not known. PURPOSE: To examine the ability of select accelerometry-based indices of physical activity to predict CVF in school-aged children. METHODS: A total of 313 children (164 girls; aged 9.9 ± 0.6 yr) were evaluated for CVF (Leger's 20-m shuttle) and physical activity (accelerometry) over a 3-5 day period (using 15 second epochs; minimum 10 hr/d). Indices of physical activity included: minutes of moderate-to-vigorous physical activity (MVPA) and sedentary activity per day (using age-specific cut-points), minutes of MVPA/day accumulated in bouts of at least 5 minutes, and counts/minute. We developed four hierarchical linear regression models to assess the unique contribution of these indices after controlling for age, body mass index (BMI) and sex. RESULTS: Modest correlations (p<0.001) existed between CVF and minutes of MVPA/day (r=0.25), sedentary time/day (r=-0.23), bouted MVPA/day (r=0.24) and counts/minute (r=0.27). Age, BMI and sex accounted for 12.4% of the variance in CVF. In independent models (1-4), additional variance explained was 5.1% for MVPA/day, 3.5% for sedentary min/day, 4% for bouted MVPA/day and 5.9% for average counts/min (p<0.001). CONCLUSIONS: These preliminary data suggest that the predictive value of accelerometry varies according to the index selected. Accelerometry-based indices of physical activity only explain a small portion of the variance in CVF and as such, CVF should be evaluated directly in studies of child health.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».