Predictors of Metabolically Healthy Obesity in Children
Notice bibliographique
Résumé
OBJECTIVE: To determine the prevalence of metabolically healthy obesity (MHO) in children and examine the demographic, adiposity, and lifestyle predictors of MHO status. RESEARCH DESIGN AND METHODS: This cross-sectional study included 8-17 year olds with a BMI ≥85th percentile who were enrolled in a multidisciplinary pediatric weight management clinic from 2005-2010. Demographic, anthropometric, lifestyle, and cardiometabolic data were retrieved by retrospective medical record review. Participants were dichotomized as either MHO or metabolically unhealthy obese (MUO) according to two separate classification systems based on: 1) insulin resistance (IR) and 2) cardiometabolic risk (CR) factors (blood pressure, serum lipids, and glucose). Multivariable logistic regression was used to determine predictors of MHO using odds ratios (ORs) with 95% CIs. RESULTS: The prevalence of MHO-IR was 31.5% (n = 57 of 181) and MHO-CR was 21.5% (n = 39 of 181). Waist circumference (OR 0.33 [95% CI 0.18-0.59]; P = 0.0002) and dietary fat intake (OR 0.56 [95% CI 0.31-0.95]; P = 0.04) were independent predictors of MHO-IR; moderate-to-vigorous physical activity (OR 1.80 [95% CI 1.24-2.62]; P = 0.002) was the strongest independent predictor of MHO-CR. CONCLUSIONS: Up to one in three children with obesity can be classified as MHO. Depending on the definition, adiposity and lifestyle behaviors both play important roles in predicting MHO status. These findings can inform for whom health services for managing pediatric obesity should be prioritized, especially in circumstances when boys and girls present with CR factors.
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 | 0,000 |
| 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 ».