Latent class analysis of obesity‐related characteristics and associations with body mass index among young children
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.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».