Are we missing the sitting? Agreement between accelerometer non-wear time validation methods used with older adults’ data
Notice bibliographique
Résumé
We used Bland Altman plots to compare agreement between a self-report diary and five different non-wear time algorithms [an algorithm that uses ≥60 min of consecutive zeroes (Troiano) and four variations of an algorithm that uses ≥90 min of consecutive zeroes to define a non-wear period] for estimating community-dwelling older adults’ (n = 106) sedentary behaviour and wear time (min/day) as measured by accelerometry. We found that the Troiano algorithm may overestimate sedentary behaviour and wear time by ≥30 min/day. Algorithms that use ≥90 min of continuous zeroes more closely approximate participants’ sedentary behaviour and wear time. Across the self-report diary vs. ≥90 min algorithm comparisons, mean differences ranged between −4.4 to 8.1 min/day for estimates of sedentary behaviour and between −10.8 to 1.0 min/day for estimates of wear time; all 95% confidence intervals for mean differences crossed zero. We also found that 95% limits of agreement were wide for all comparisons, highlighting the large variation in estimates of sedentary behaviour and wear time. Given the importance of reducing sedentary behaviour and encouraging physical activity for older adult health, we conclude that it is critical to establish accurate approaches for measurement.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».