Is anyone truly healthy? Trends in health risk factors prevalence and changes in their associations with all-cause mortality
Notice bibliographique
Résumé
OBJECTIVE: The purpose of the study was to determine trends in the prevalence of individual health risk factors across time and to examine if their associations with mortality have changed over time. METHODS: Data from the National Health and Nutrition Examination Surveys (NHANES III- 1988-1994 and NHANES 1999-2014; age ≥20 years) was used to examine differences in the odds ratio (OR) of 5-year mortality risk associated with various common health risk factors over the two survey periods using weighted logistic regression analysis adjusting for age, sex, obesity category and white ethnicity (n = 28,279). RESULTS: Over 97% of individuals had at least one of the 19 risk factors examined with no difference in the prevalence over time (P>0.34). The prevalence of lifestyle, social/mental and physical risk factors (2.2 to 19.1%) increased over time (P<0.0002), while the prevalence of having physiological risk factors decreased by ~6.5% (P<0.0001). Having any lifestyle or social/mental risk factor was significantly associated with a higher 5-year OR for mortality risk in 1999-2014, than 1988-94. In particular, having low education or use of mental health medication were not associated with mortality risk in 1988-94 (P>0.1), but were significantly associated with a higher 5-year OR for mortality in 1999-2014 (P<0.0001). Conversely, physiological risk factors were more weakly related with mortality risk in 1988-1994, than 1999-2014. Having any physical risk factor, and poor self-rated health were similarly related with 5-year mortality risk at both timepoints. CONCLUSION: Health risk factors have both increased and decreased in prevalence over time, along with changes in the association between many of the risk factors and mortality risk. Taken together, these changes complicate interpretation of temporal trends and warrant cautious interpretation of population health patterns based on surveillance data.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».