1563-P: Neighborhood Drivability and Diabetes Incidence in Toronto, Canada
Notice bibliographique
Résumé
Background: Reliance on cars contributes to physical inactivity, and therefore may be a risk factor for type 2 diabetes. We investigated whether living in neighborhoods that are highly conducive to driving is associated with an increased incidence of diabetes. Methods: Working age adults (20-64 yrs) who were living in Toronto, Canada on April 1st 2011, were followed over 6 yrs for incident diabetes using a validated algorithm based on hospital records and physicians’ services claims. For neighborhood drivability, we used a novel index capturing three factors of the built environment: urban sprawl, pedestrian unfriendliness and parking options. Cox regression was used to examine the association between neighborhood drivability quintiles (Q) and diabetes incidence, adjusting for age, sex, income, ethnicity, immigration status and comorbidity, and censoring for death. Results: Among 1,473,994 individuals in our sample (mean age 40.9±12.2, 48.5% male), 77,835 developed diabetes. Overall, there was a direct relationship between drivability and diabetes incidence, however the magnitude of this effect varied by age and income. Among young adults (20-34 yrs), those living in the most drivable neighborhoods (Q5) had a 58% higher incidence of diabetes (adjusted HR: 1.58 (95%CI: 1.47-1.69)) relative to those in the least drivable neighborhoods (Q1), whereas the same comparison in older adults (55-64 yrs) yielded smaller differences (HR: 1.31 (95%CI: 1.26-1.36)). High drivability was most strongly associated with diabetes risk in the middle income neighborhoods with 96% increased risk for young residents (HR:1.96 (95%CI: 1.64-2.33) and a 46% increased risk for older residents (HR: 1.46 (95%CI:1.32-1.62). Associations between drivability and diabetes incidence were significant but of a lesser magnitude in low- and high-income neighborhoods. Conclusion: In our setting, neighborhood drivability is a risk factor for the diabetes incidence among working age adults, especially younger, middle-income populations. Disclosure N. den Braver: None. J. Beulens: None. J. Lakerveld: None. P. Gozdyra: None. F. Wu: None. F. Rutters: None. G.S. Fazli: None. R. Moineddin: None. G. Booth: None.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».