Can health indicators and psychosocial characteristics predict attrition in youths with overweight and obesity seeking ambulatory treatment? Data from a retrospective longitudinal study in a paediatric clinic in Luxembourg
Notice bibliographique
Résumé
OBJECTIVES: The current study aimed to identify factors that could predict attrition in youths starting ambulatory treatment to control or lose weight. DESIGN: Retrospective longitudinal study. SETTING: Paediatric clinic: ambulatory treatment programme. PATIENTS AND MEASURES: A youth sample (n=191; 89 boys; aged 7-17 years) completed measures of demographic characteristics, and health and psychosocial traits before starting an ambulatory weight management programme. Anthropometric and biological markers related to obesity were also obtained. Tests of mean differences and regression analyses were used to investigate the relationship between these variables and attrition after 1 year. RESULTS: and t test results showed both psychosocial and health indicators differentiated between participants who continued attending the treatment programme and those who dropped out. More specifically, youths that dropped out of treatment were significantly older, had higher body mass index z scores, higher levels of insulin, triglycerides and HOMA-IR, reported poorer health, had more conduct problems and were more dissatisfied with themselves and their bodies before starting treatment. Results of regression analyses revealed that weight status (anthropometric and biological markers), age and body dissatisfaction predicted attrition (overall prediction success 73%; prediction success for continued attendance 90/91%; prediction success for dropouts 42/44%). CONCLUSION: Attrition, but especially the continued attendance in treatment, can be successfully predicted by age, weight status and body dissatisfaction. For patients who present with one or more risk factors, careful consideration is needed to decide which (combination of) inpatient or outpatient programme may facilitate prolonged engagement of the patient and hence may be most effective in establishing weight loss.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».