Predictors of non-stepping time in people with chronic stroke
Notice bibliographique
Résumé
BACKGROUND: Sedentary time is an independent construct from active time. Previous studies have examined variables associated with sedentary time to inform behavior change programs; however, these studies have lacked data sets that encompass potentially important domains. OBJECTIVES: The purpose of this study was to build a more comprehensive model containing previously theorized important predictors of sedentary time and new predictors that have not been explored. We hypothesized that variables representing the domains of physical capacity, psychosocial, physical health, cognition, and environmental would be significantly related to sedentary time in individuals post-stroke. METHODS: This was a cross-sectional analysis of 280 individuals with chronic stroke. An activity monitor was used to measure sedentary (i.e. non-stepping) time. Five domains (8 predictors) were entered into a sequential linear regression model: physical capacity (6-Minute Walk Test, assistive device use), psychosocial (Activities Specific Balance Confidence Scale and Patient Health Questionnaire-9), physical health (Charlson Comorbidity Index and body mass index), cognition (Montreal Cognitive Assessment), and environmental (Area Deprivation Index). RESULTS: = .04) were significantly related to non-stepping time in individuals with chronic stroke. The model explained 28.5% of the variability in non-stepping time. CONCLUSIONS: This work provides new perspective on which variables may need to be addressed in programs targeting sedentary time in stroke. Such programs should consider physical capacity, depressive symptoms, and physical health.
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 | 0,000 |
| 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 | 0,000 | 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 ».