Nutrition and Exercise Environment Available to Outpatients, Visitors, and Staff in Children's Hospitals in Canada and the United States
Notice bibliographique
Résumé
BACKGROUND: Children's hospitals should advocate for children's health by modeling optimum health environments. OBJECTIVES: To determine whether children's hospitals provide optimum health environments and to identify associated factors. DESIGN: Telephone survey. SETTING: Canadian and US hospitals with accredited pediatric residency programs. PARTICIPANTS: Food services directors or administrative dietitians. MAIN OUTCOME MEASURES: Health environment grades as determined for 4 domains quantifying (1) the amount of less nutritious food sold at cafeterias (cafeteria grade), (2) the presence of fast food outlets (outlet grade), (3) the amount of nutritious food alternatives available (healthful alternative grade), and (4) the presence of patient obesity or employee exercise programs (program grade). RESULTS: The overall response rate was 87%. Compared with Canadian hospitals, US hospitals had more food outlets (89% vs 50%) and more snack/beverage vending machines (median, 16 vs 12) (P = .001 for both), despite equivalent consumer numbers. External companies managed more outlets at US vs Canadian hospitals (65% vs 14%; P = .01), and, generally, US hospitals recuperated more revenue from their outlets. Worst cafeteria grade was associated with US hospital location (odds ratio [OR], 8.9; 95% confidence interval [CI], 1.6-50; P = .01) and lower healthful alternative grade (OR, 0.016; 95% CI, 0.002-0.15; P<.001). Lower grade in any domain was related to whether hospitals received more revenue from noncafeteria food outlets (OR, 1.7; 95% CI, 1.06-2.72; P = .03) and the presence of more internally operated cafeterias (OR, 2.3 per cafeteria; 95% CI, 1.53-3.36; P<.001). CONCLUSIONS: Children's hospitals provide suboptimal health environments. Reliance on revenue may be an important motivating factor encouraging the adoption of outlets that serve less nutritious food.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».