Identifying factors associated with sedentary time after stroke. Secondary analysis of pooled data from nine primary studies.
Notice bibliographique
Résumé
Background: High levels of sedentary time increases the risk of cardiovascular disease, including recurrent stroke.Objective: This study aimed to identify factors associated with high sedentary time in community-dwelling people with stroke.Methods: For this data pooling study, authors of published and ongoing trials that collected sedentary time data, using the activPAL monitor, in community-dwelling people with stroke were invited to contribute their raw data. The data was reprocessed, algorithms were created to identify sleep-wake time and determine the percentage of waking hours spent sedentary. We explored demographic and stroke-related factors associated with total sedentary time and time in uninterrupted sedentary bouts using unique, both univariable and multivariable, regression analyses.Results: The 274 included participants were from Australia, Canada, and the United Kingdom, and spent, on average, 69% (SD 12.4) of their waking hours sedentary. Of the demographic and stroke-related factors, slower walking speeds were significantly and independently associated with a higher percentage of waking hours spent sedentary (p = 0.001) and uninterrupted sedentary bouts of >30 and >60 min (p = 0.001 and p = 0.004, respectively). Regression models explained 11–19% of the variance in total sedentary time and time in prolonged sedentary bouts.Conclusion: We found that variability in sedentary time of people with stroke was largely unaccounted for by demographic and stroke-related variables. Behavioral and environmental factors are likely to play an important role in sedentary behavior after stroke. Further work is required to develop and test effective interventions to address sedentary behavior after stroke.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».