Influencing Factors for Cardiometabolic Risk in Korean Adolescents Based on 2010–2015 Data From the Korea National Health and Nutrition Examination Survey
Notice bibliographique
Résumé
BACKGROUND: High academic stress and physical inactivity in Korean adolescents increase cardiometabolic risk factors, such as obesity, making it crucial to identify the factors influencing their risk. OBJECTIVE: Our aims were to determine differences in the prevalence of metabolic syndrome and its 5 components in Korean adolescents according to gender and to identify the influencing factors for cardiometabolic risk (individual risk factor ≥ 1). METHODS: Data related to adolescents from the Korean National Health and Nutrition Examination Survey (2010-2015) were assessed. Bivariate analyses to compare distribution and logistic regression analyses to examine the influencing factors were performed. RESULTS: Cardiometabolic risk (≥1 risk factor) was found in 33.2% and 32.6% of male and female adolescents, respectively, and metabolic syndrome (≥3 risk factors) was found in 2.0% and 2.3%, respectively. Among male adolescents, cardiometabolic risk was 1.66 times higher for the group that did not perform strength exercises ( P = .007). For female adolescents, the cardiometabolic risk was 2.44 times higher in 16- to 18-year-olds than in 12- to 15-year-olds ( P < .001) and 1.50 times higher in the non-aerobic-exercise group ( P = .030). Central obesity (waist-to-height ratio ≥ 0.47) increased cardiometabolic risk by 5.71 and 13.91 times in male and female adolescents, respectively ( P < .001). CONCLUSION: To reduce cardiometabolic risk profiles and future cardiovascular risk in Korean adolescents, school-based physical activity programs should be actively provided not only for students with central obesity but also for students who lack aerobic or strength exercises.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 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 ».