Assessing and targeting key lifestyle cardiovascular risk factors at the workplace: Effect on hemoglobin A1c levels
Notice bibliographique
Résumé
PURPOSE: Despite the key role played by lifestyle habits in the epidemic of type 2 diabetes (T2D), nutritional quality and physical activity are not systematically considered in clinical practice. The project was conducted to verify whether assessing/targeting lifestyle habits could reduce hemoglobin A1c (HbA1c) levels of employees. METHODS: The intervention consisted of a 3-month competition among teams of five employees to favor peer-based support in the adoption of healthier lifestyle habits (Eat better, Move more, and Quit smoking) (n = 900). A comprehensive cardiometabolic/cardiorespiratory health assessment was conducted before and after the contest (nutrition/physical activity questionnaires, blood pressure, anthropometric measurements, lipid profile, HbA1c, fitness). HbA1c levels were used to identify individuals with prediabetes (5.7%-6.4%) or T2D (≥6.5%). RESULTS: At baseline, 51% of the employees had increased HbA1c levels (≥5.7%). The HbA1c levels were associated with waist circumference, independently of body mass index. Subjects with prediabetes showed a higher waist circumference as well as a more deteriorated cardiometabolic profile compared to workers with normal HbA1c levels. After the intervention, employees with elevated HbA1c significantly reduced their HbA1c levels. CONCLUSION: Results suggest that assessing/targeting key lifestyle correlates of the cardiometabolic profile represents a relevant approach to target abdominal obesity and fitness with a significant impact on HbA1c levels.
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».