Impact of land use and food environment on risk of type 2 diabetes: A national study of veterans, 2008–2018
Notice bibliographique
Résumé
BACKGROUND: Large-scale longitudinal studies evaluating influences of the built environment on risk for type 2 diabetes (T2D) are scarce, and findings have been inconsistent. OBJECTIVE: To evaluate whether land use environment (LUE), a proxy of neighborhood walkability, is associated with T2D risk across different US community types, and to assess whether the association is modified by food environment. METHODS: The Veteran's Administration Diabetes Risk (VADR) study is a retrospective cohort of diabetes-free US veteran patients enrolled in VA primary care facilities nationwide from January 1, 2008, to December 31, 2016, and followed longitudinally through December 31, 2018. A total of 4,096,629 patients had baseline addresses available in electronic health records that were geocoded and assigned a census tract-level LUE score. LUE scores were divided into quartiles, where a higher score indicated higher neighborhood walkability levels. New diagnoses for T2D were identified using a published computable phenotype. Adjusted time-to-event analyses using piecewise exponential models were fit within four strata of community types (higher-density urban, lower-density urban, suburban/small town, and rural). We also evaluated effect modification by tract-level food environment measures within each stratum. RESULTS: In adjusted analyses, higher LUE had a protective effect on T2D risk in rural and suburban/small town communities (linear quartile trend test p-value <0.001). However, in lower density urban communities, higher LUE increased T2D risk (linear quartile trend test p-value <0.001) and no association was found in higher density urban communities (linear quartile trend test p-value = 0.317). Particularly strong protective effects were observed for veterans living in suburban/small towns with more supermarkets and more walkable spaces (p-interaction = 0.001). CONCLUSION: Among veterans, LUE may influence T2D risk, particularly in rural and suburban communities. Food environment may modify the association between LUE and T2D.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».