MétaCan
Menu
Retour à la cohorte
Enregistrement W2794527952 · doi:10.1093/ije/dyx263

Rapidly increasing body mass index among children, adolescents and young adults in a transitioning population, South Africa, 2008–15

2017· article· en· W2794527952 sur OpenAlexfundno aff
Benn Sartorius, Kurt Sartorius, Myra Taylor, Jens Aagaard‐Hansen, Natisha Dukhi, Candy Day, Noluthando Ndlovu, Rob Slotow, Karen Hofman

Dossier post-publication

NatureRetraction
MotifError in Analyses;Error in Methods;Error in Results and/or Conclusions;
Date10/29/2018 0:00
Signalé par OpenAlex ?Oui

Source : Retraction Watch, jointe par DOI. OpenAlex consigne la rétractation dans is_retracted, un booléen sur un espace d'états à au moins quatre valeurs ; il ne peut donc exprimer ni une expression de préoccupation, ni une correction, ni un rétablissement, et les rapporte comme false, ce qui se lit comme « rien à signaler ».

Notice bibliographique

RevueInternational Journal of Epidemiology · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensnon disponible
Organismes subventionnairesNational Science Foundation, United Arab EmiratesUniversity of Cape TownNational Research FoundationCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorInternational Development Research CentreWellcome Trust
Mots-clésBody mass indexOverweightObesitySocioeconomic statusDemographyMedicineYoung adultEnvironmental healthPopulationLow and middle income countriesIndex (typography)Nutrition transitionPediatricsGerontologyDeveloping countryEconomic growth

Résumé

récupéré en direct d'OpenAlex

Background: There is a global epidemic of overweight and obesity; however, this rate of increase is even greater in some low- and middle-income countries (LMIC). South Africa (SA) is undergoing rapid socioeconomic and demographic changes that have triggered a rapid nutrition transition. The paper focuses on the recent rate of change of body mass index (BMI) among children, adolescents and young adults, further stratified by key sociodemographic factors. Methods: We analysed mean BMI of 28 247 individuals (including children) from 7301 households by age and year, from anthropometric data from four national cross-sectional (repeated panel) surveys using non-linear fitted curves and associated 95% confidence intervals. Results: From 2008 to 2015, there was rapid rise in mean BMI in the 6-25 age band, with the highest risk (3-4+ BMI unit increase) among children aged 8-10 years. The increase was largely among females in urban areas and of middle-high socioeconomic standing. Prominent gains were also observed in certain rural areas, with extensive geographical heterogeneity across the country. Conclusions: We have demonstrated a major deviation from the current understanding of patterns of BMI increase, with a rate of increase substantially greater in the developing world context compared with the global pattern. This population-wide effect will have major consequences for national development as the epidemic of related non-communicable disease unfolds, and will overtax the national health care budget. Our refined understanding highlights that risks are further compounded for certain groups/places, and emphasizes that urgent geographical and population-targeted interventions are necessary. These interventions could include a sugar tax, clearer food labelling, revised school feeding programmes and mandatory bans on unhealthy food marketing to children.The scenario unfolding in South Africa will likely be followed in other LMICs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,076

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,306
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of EpidemiologyMême sujetObesity, Physical Activity, DietTravaux en français237 207