Abstract P025: Trying to Lose Weight: The Effect of Income and Age on Weight Loss Strategies in NHANES 1999-2010
Notice bibliographique
Résumé
Background: Two-thirds of the general US population is overweight or obese; those living in poverty are disproportionately affected. Although 30-50% of Americans report currently trying to lose weight, some strategies can be counterproductive. Even though increased physical activity and decreased fat consumption were recently reported to be among the most successful weight-loss strategies for obese persons, little is known about how income may be associated with the type of strategies used to lose weight. Objective: determine the association between income and types of weight-loss strategies. Methods: Analyses included the 1999-2010 National Health and Nutrition Examination Survey participants that reported trying to lose weight in the last year and were stratified by age (youth: aged 8-19, n=3184; adults: 20+, n=5643) due to availability of covariates and different weight-loss questions. Annual household income was categorized as: <$20K, $20K-45K, $45-75K, and compared to the referent ($75K+). Multivariable models included sampling weights, and adjusted for sex, age, ethnicity, and whether the person was overweight or obese (body mass index > 25 for adults, or > 85th percentile for youth according to the CDC growth curves). Analyses among adults also adjusted for marital status and education. Multivariable logistic regression assessed the likelihood of using healthy weight-loss strategies (e. g., exercising) and unhealthy weight-loss strategies (e. g., skipping meals). Results: Compared to the referent, adults with lower household incomes were less likely to use healthy weight-loss strategies (Fig. 1) but unhealthy strategies were not associated; youth from lower income households were more likely to utilize unhealthy weight-loss strategies, and less likely to use healthy strategies. Conclusions: Weight-loss strategies differ based on income and age. Education efforts and environmental strategies should be done in tandem to increase use of healthy weight-loss strategies to curb the obesity epidemic.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».