Rural-urban differences in overweight and obesity among a large sample of adolescents in Ontario
Notice bibliographique
Résumé
OBJECTIVE: Increasing our understanding of the differences between obesity and overweight status across various geographical areas may have important public health implications. We aimed to explore prevalence and factors (i.e., demographic and lifestyle) associated with overweight and obesity among youth across urban, suburban and rural settings. METHODS: A cross-sectional study used self-reported data collected from students (grades 9-12) attending 76 high schools in Ontario, Canada, as part of the SHAPES-Ontario study (2005-2006). Of the 34 578 eligible students selected to complete the Physical Activity Module in the 76 participating schools, 73.5% (n=25 416; 50.8% males, 49.2% females) completed the survey. Univariate and multivariate analyses were conducted using body mass index for weight measurement and self-reported data on lifestyle factors, and self-perception of body weight. RESULTS: The overall prevalence of overweight and obesity was 14.3% and 6.3%, respectively. The prevalence of overweight in urban, suburban and rural areas was 14.6%, 13.8% and 15.1%, respectively, while the prevalence of obesity was 6.3%, 6.0% and 6.7%, respectively, and the difference was significant (chi(2)= 16.53, p<0.05). In the multivariate logistic regression analysis, age, TV watching, level of urbanization and perception of body weight were important predictors of overweight and obesity. CONCLUSION: Our understanding of how overweight and obesity rates vary depending on the level of urbanization may help health professionals to either tailor programs to the needs of the individuals living in these different areas or to target existing programs to the contexts where they are most likely to have an impact.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».