ActiGraph Cutpoints Impact Physical Activity and Sedentary Behavior Outcomes in Young Children
Notice bibliographique
Résumé
Purpose: Examine the effect of cutpoint selection on physical activity (PA) metrics calculated from young children’s accelerometer data and on the proportion of children meeting PA guidelines. Methods: A total of 262 children (3.6 ± 1.4 years, 126 males) wore ActiGraph wGT3X-BT accelerometers on their right hip for 7 days, 24 hr/day. Ten cutpoint sets were applied to the sample categorized by age, based on populations of the original cutpoint calibration studies using ActiLife software. Resulting sedentary behavior, light PA, moderate to vigorous PA, and total PA were compared using repeated-measures analysis of variance. Proportion of children meeting age-appropriate PA guidelines based on each cutpoint set was assessed using Cochran’s q tests. Results: Children wore the accelerometer for an average of 7.6 ± 1.2 days for an average of 11.9 ± 1.2 hr/day. Significant differences in time spent in each intensity were found across all cutpoints except for sedentary, and total PA for three comparisons (Trost vs. Butte Vertical Axis [VA], Pate vs. Puyau, and Costa VA vs. Evenson) and moderate to vigorous PA for four comparisons (Trost vs. Pate, Trost vs. Pate and Pfeiffer, Pate vs. Pate and Pfeiffer, and van Cauwenberghe vs. Evenson). When examined within age-appropriate groups, all sets of cutpoints resulted in significant differences across all intensities and in the number of children meeting PA guidelines. Conclusion: Choice of cutpoints applied to data from young children significantly affects times calculated for different movement intensities, which in turn impacts the proportion of children meeting guidelines. Thus, comparisons of movement intensities should not be made across studies using different sets of cutpoints.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».