Higher Neighborhood Drivability Is Associated With a Higher Diabetes Risk in Younger Adults: A Population-Based Cohort Study in Toronto, Canada
Notice bibliographique
Résumé
OBJECTIVE: Car dependency contributes to physical inactivity and, consequently, may increase the likelihood of diabetes. We investigated whether neighborhoods that are highly conducive to driving confer a greater risk of developing diabetes and, if so, whether this differs by age. RESEARCH DESIGN AND METHODS: We used administrative health care data to identify all working-age Canadian adults (20-64 years) who were living in Toronto on 1 April 2011 without diabetes (type 1 or 2). Neighborhood drivability scores were assigned using a novel, validated index that predicts driving patterns based on built environment features divided into quintiles. Cox regression was used to examine the association between neighborhood drivability and 7-year risk of diabetes onset, overall and by age-group, adjusting for baseline characteristics and comorbidities. RESULTS: Overall, there were 1,473,994 adults in the cohort (mean age 40.9 ± 12.2 years), among whom 77,835 developed diabetes during follow-up. Those living in the most drivable neighborhoods (quintile 5) had a 41% higher risk of developing diabetes compared with those in the least drivable neighborhoods (adjusted hazard ratio 1.41, 95% CI 1.37-1.44), with the strongest associations in younger adults aged 20-34 years (1.57, 95% CI 1.47-1.68, P < 0.001 for interaction). The same comparison in older adults (55-64 years) yielded smaller differences (1.31, 95% CI 1.26-1.36). Associations appeared to be strongest in middle-income neighborhoods for younger residents (middle income 1.96, 95% CI 1.64-2.33) and older residents (1.46, 95% CI 1.32-1.62). CONCLUSIONS: High neighborhood drivability is a risk factor for diabetes, particularly in younger adults. This finding has important implications for future urban design policies.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 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) | 0,002 | 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 ».