Neighborhood physical food environment and cardiovascular risk factors in India: Cross-sectional evidence from APCAPS
Notice bibliographique
Résumé
There has been increasing interest in associations between neighborhood food environments and cardiovascular risk factors. However, results from high-income countries remain inconsistent, and there has been limited research from low- and middle-income countries. We conducted a cross-sectional analysis of the third wave follow-up of the Andhra Pradesh children and parents study (APCAPS) (n = 5764, median age 28.8 years) in south India. We examined associations between the neighborhood availability (vendor density per km2 within 400 m and 1600 m buffers of households) and accessibility (distance from the household to the nearest vendor) of fruit/vegetable and highly processed/take-away food vendors with 11 cardiovascular risk factors, including adiposity measures, glucose-insulin, blood pressure, and lipid profile. In fully adjusted models, higher density of fruit/vegetable vendors within 400 m of participant households was associated with lower systolic blood pressure [−0.09 mmHg, 95% confidence interval (CI): −0.17, −0.02] and diastolic blood pressure (−0.10 mmHg, 95% CI: −0.17, −0.04). Higher density of highly processed/take-away food vendors within 400 m of participant households was associated with higher Body Mass Index (0.01 Kg/m2, 95% CI: 0.00, 0.01), waist circumference (0.22 mm, 95% CI: 0.05, 0.39), systolic blood pressure (0.03 mmHg, 95% CI: 0.01, 0.06), and diastolic blood pressure (0.03 mmHg, 95% CI: 0.01, 0.05). However, within 1600 m buffer, only association with blood pressure remained robust. No associations were found for between neighborhood accessibility and cardiovascular risk factors. Lower density of fruit/vegetable vendors, and higher density of highly processed/take-away food vendors were associated with adverse cardiovascular risk profiles. Public health policies regarding neighborhood food environments should be encouraged in south India and other rural communities in south Asia.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».