Promoting Lifestyle and Behavior Change in Overweight Children and Adolescents With Type 2 Diabetes
Notice bibliographique
Résumé
Sixteen-year-old Juana is a high school sophomore who loves movies, the local pizza parlor, and salsa music. She is young but has the health risks of someone three times her age. With a BMI > 95th percentile for age, Juana has many of the features of metabolic syndrome and may be only months from displaying the symptoms of type 2 diabetes. Juana is one of 8.8 million American youth who are overweight or obese.1 The plight of Juana and her agemates has become increasingly visible in the media and in the scientific literature. Genetics has been blamed. Parents have been blamed. Schools have been blamed. Television has been blamed.2 Society has been blamed. Although we are closer to understanding the causes, we lack effective strategies for prevention and management of obesity and diabetes in children and adolescents. The road to obesity and diabetes may begin in utero. Low birth weight and exposure to maternal diabetes have been implicated.3,4 There may be genetic components to the problem.5 Certain genes associated with type 2 diabetes have been identified in Cree-Ojibway aboriginal children in Canada.6 Largely, however, the rise in childhood obesity corresponds to various environmental changes. Children today are less physically active than in the past. They play less outside and have less physical education in school. In high school, enrollment in daily physical education (P.E.) classes dropped from 42% in 1991 to 25% in 1995.7 Only 19% of all high school students are physically active for at least 20 minutes in P.E. classes every day during the school week. What has replaced physical activity is television watching, Internet surfing, and computer gaming. There is a strong correlation between childhood obesity and access to television. Children are more likely to be obese if they …
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) | 0,000 | 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 | 0,000 |
| 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 ».