MétaCan
Menu
Retour à la cohorte
Enregistrement W4323665500 · doi:10.3389/fped.2023.1015943

The impacts of physical activity on psychological and behavioral problems, and changes in physical activity, sleep and quality of life during the COVID-19 pandemic in preschoolers, children, and adolescents: A systematic review and meta-analysis

2023· review· en· W4323665500 sur OpenAlexaboutno aff
Johnson C.Y. Pang, Eric Lu Shek Chan, Herman Mun Cheung Lau, Kara K. L. Reeves, Tina H. Y. Chung, Heidi W. L. Hui, Alfred H. L. Leung, Allan Chak Lun Fu

Notice bibliographique

RevueFrontiers in Pediatrics · 2023
Typereview
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPandemicMedicineCoronavirus disease 2019 (COVID-19)Physical activitySleep (system call)Sleep qualityQuality of life (healthcare)Developmental psychologyClinical psychologyPsychologyPsychiatryPhysical therapyInsomniaDisease

Résumé

récupéré en direct d'OpenAlex

Background The COVID-19 pandemic has greatly affected the level of physical activity (PA). However, little is known about its effect on health outcomes. Methods Articles without language restrictions published from the database inception through March 16, 2022, were retrieved using the CINAHL Complete, Cochrane Library, EMBASE, Medline, PubMed, and PsycINFO databases. High-quality articles assessing the effect of PA on psychological and behavioral problems. Additionally, PA, QoL, and/or sleep problems before and during the pandemic were included. Articles without data regarding PA or involving non-general populations were excluded. The PRISMA and MOOSE guidelines were followed. Data quality of the selected articles was assessed using the Newcastle-Ottawa Scale and GRADE approach. Data were pooled using a random-effects model and sensitivity analysis if heterogenicity was high (I2 ≥ 50%). The relationship between PA and psychological and behavioral problems; and changes in PA, QoL, and sleeping patterns before and during the pandemic in preschoolers, children, and adolescents were investigated. A meta-analysis was conducted; odds ratios (ORs), mean differences (MD), and standardized MDs (SMDs) were calculated. Results Thirty-four articles involving 66,857 participants were included. The results showed an overall significant protective effect between PA and psychological and/or behavioral problems (OR = 0.677; 95% CI = 0.630, 0.728; p-value <0.001; I2 = 59.79%). This relationship was also significant in the subgroup analysis of children (OR = 0.690; 95% CI = 0.632, 0.752; p-value <0.001; I2 = 58.93%) and adolescents (OR = 0.650; 95% CI = 0.570, 0.741; p-value <0.001; I2 = 60.85%); however, no data on the relationship in preschoolers were collected. In addition, the overall time spent on PA significantly decreased by 23.2 min per day during the COVID-19 pandemic (95% CI = −13.5, −32.9; p-value <0.001; I2 = 99.82%). Moreover, the results showed an overall significant decrease in QoL (SMD = −0.894, 95% CI = −1.180, −0.609, p-value <0.001, I2 = 96.64%). However, there was no significant difference in sleep duration during the COVID-19 pandemic (MD = 0.01 h per day, 95% CI = −0.027, 0.225; p-value = 0.125; I2 = 98.48%). Conclusion During the pandemic, less PA was contributed to poor QoL and sleep quality. However, increases in PA are associated with reduced occurrences of psychological and behavioral problems. Implementing recovery plans to address the health effect of the pandemic is essential.

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)0,012
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,028
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0210,039
Bibliométrie0,0090,008
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,235
Tête enseignante GPT0,484
Écart entre enseignants0,249 · 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'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

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

En bref

Citations29
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PediatricsMême sujetCOVID-19 and Mental HealthTravaux en français237 207