Latent class analysis of obesity‐related characteristics and associations with body mass index among young children
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Identifying how obesity-related characteristics cluster in populations is important to understand disease risk. Objectives of this study were to identify classes of children based on obesity-related variables and to evaluate the associations between the identified classes and overweight and obesity. METHODS: network (2008-2018). Latent class analysis was used to identify distinct classes of children based on 15 family, metabolic, health behaviours and school-related variables. Associations between the identified latent classes and overweight and obesity were estimated using multinomial logistic regression. RESULTS: Six classes were identified: Class 1: 'Family and health risk behaviours' (20%), Class 2: 'Metabolic risk' (7%), Class 3: 'High risk' (6%), Class 4: 'High triglycerides' (21%), Class 5: 'Health risk behaviours and developmental concern' (22%), and Class 6: 'Healthy' (24%). Children in Classes 1-5 had increased odds of both overweight and obesity compared with 'Healthy' class. Class 3 'High risk' was most strongly associated with child overweight (odds ratio [OR] 1.9, 95% confidence interval [CI] 1.2, 3.2) and obesity (OR 3.3, 95% CI 1.7, 6.7). CONCLUSIONS: Distinct classes of children identified based on obesity-related characteristics were all associated with increased obesity; however, the magnitude of risk varied depending on number of at-risk characteristics. Understanding the clustering of obesity characteristics in children may inform precision public health and population prevention interventions.
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| 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 découle