Factors Affecting Bone Mineral Density Among Snowy Region Residents in Japan: Analysis Using Multiple Linear Regression and Bayesian Network Model
Notice bibliographique
Résumé
BACKGROUND: As the onset of osteoporosis leads to reduced activities of daily living and may result in patients being bedridden, efforts to prevent decreased bone density are necessary. Various studies on the relationship between sex, age, nutrients, and exercise habits and bone mineral density have been conducted to date. However, for snowy region residents, the magnitude of influence of various factors affecting bone mineral density and the influence level have not been clarified. OBJECTIVE: This study aimed to clarify the degree of influence and factors influencing bone mineral density based on survey results on health conditions and lifestyle habits in heavy snow areas. METHODS: A total of 354 citizens who visited a drugstore in the target area were included in a study that included using the brief-type self-administered diet history questionnaire on lifestyle and exercise habits. Height, weight, body composition, and bone densitometer values were analyzed using multiple regression to calculate their association with bone mineral density. In addition, a Bayesian network model was used to determine the influence level of each factor as a conditional probability. RESULTS: Multiple regression analysis revealed that age, sex, fracture, and calcium intake significantly influenced bone mineral density. In addition, the result of Bayesian network analysis suggested that age and sex affected bone mineral density, whereas nutrients and exercise habits might not have a direct impact. However, calcium intake and the T-score were significant factors affecting the presence or absence of fracture experiences, suggesting that adequate calcium intake is essential for preventing fractures. CONCLUSIONS: In the multiple regression analysis, age, sex, fracture, and calcium intake were selected as factors; however, in the Bayesian analysis, only age and sex affected bone mineral density while nutrients did not. In addition, the fact that calcium intake and the T-score were shown to affect bone fracture history suggests that calcium intake is an important measure that can prevent bone fractures. Overall, these results suggest that measures such as ensuring a bone fracture-free environment and providing nutritional advice for calcium intake can be effective in preventing bone 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 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 | 0,009 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».