MétaCan
Menu
Retour à la cohorte
Enregistrement W3198181223 · doi:10.1371/journal.pone.0256867

Longitudinal association between movement behaviours and depressive symptoms among adolescents using compositional data analysis

2021· article· en· W3198181223 sur OpenAlexafffundabout
Hugues Sampasa‐Kanyinga, Ian Colman, Dorothea Dumuid, Ian Janssen, Gary S. Goldfield, JianLi Wang, Karen A. Patte, Scott T. Leatherdale, Jean‐Philippe Chaput

Notice bibliographique

RevuePLoS ONE · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueMental Health Research Topics
Établissements canadiensUniversity of WaterlooBrock UniversityQueen's UniversityChildren's Hospital of Eastern OntarioRegional Municipality of NiagaraUniversity of Ottawa
Organismes subventionnairesInstitute of Nutrition, Metabolism and DiabetesCanadian Institutes of Health ResearchHealth CanadaCanada Research Chairs
Mots-clésLongitudinal studyDemographyBody mass indexPsychologyAssociation (psychology)Depression (economics)MedicineGerontology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Research examining the associations between movement behaviours and mental health indicators within a compositional framework are sparse and limited by their cross-sectional study design. This study has three objectives. First, to describe the change in movement behaviour composition over time. Second, to explore the association between change in movement behaviour composition and change in depressive symptoms. Third, to explore how reallocations of time between movement behaviours are associated with changes in depressive symptoms. METHODS: Longitudinal data of 14,620 students in grades 9-12 (mean age: 14.9 years) attending secondary schools in Canada (Ontario, British Columbia, Alberta, Quebec) were obtained from two waves (2017/18, 2018/19) of the COMPASS study. Moderate-to-vigorous physical activity (MVPA), recreational screen time, and sleep duration were self-reported. Depressive symptoms were measured using the Center for Epidemiologic Studies Depression Scale (Revised)-10 (CESD-R-10). Compositional data analyses using pivot coordinates and compositional isotemporal substitution for longitudinal data were used to analyse the data. Analyses accounted for school clustering, were stratified by gender and age (< or ≥ 15 years), and were adjusted for race/ethnicity, body mass index z-score, baseline movement behaviour composition, and baseline depressive symptoms. RESULTS: There were significant differences in movement behaviour composition over time across all subgroups. For example, the relative contributions of MVPA and sleep duration to the movement behaviour composition decreased over time while screen time increased among younger boys and girls and older girls. Increasing sleep duration relative to the remaining behaviours (i.e. screen time and MVPA) was associated with lower depressive symptoms among all subgroups. Increasing screen time relative to the remaining behaviours (i.e. MVPA and sleep duration) was associated with higher depressive symptoms among all subgroups. Increasing MVPA relative to the remaining behaviours (i.e. screen time and sleep duration) was associated with lower depressive symptoms in older girls only. Isotemporal substitution estimates indicated that decreasing screen time by 60 minutes/day and replacing that time with 60 minutes of additional sleep is associated with the largest change in depressive symptoms across all subgroups. CONCLUSIONS: Findings from this prospective analysis suggest that increased sleep duration and reduced screen time are important determinants of lower depressive symptoms among adolescents.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil0,166

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,242
Tête enseignante GPT0,411
Écart entre enseignants0,169 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetMental Health Research TopicsTravaux en français237 207