Promise of Lifestyle Medicine for Heart Disease, Diabetes Mellitus, and Cerebrovascular Diseases
Notice bibliographique
Résumé
The burden of noncommunicable chronic diseases has relevant and negative consequences to persons, health care systems, and economies worldwide. Chronic diseases are the leading cause of disability and mortality and are responsible for 90% of health care expenditure. The most common chronic diseases are diabetes mellitus (DM), cardiovascular disease, and cerebrovascular disease (stroke and vascular cognitive impairment). Modifiable risk factors (MRFs) for these conditions include hypertension, hyperlipidemia, smoking, poor diet, and low-physical activity; with hypertension being the most prevalent MRF. Most MRFs can be successfully targeted through lifestyle medicine (LSM), which is a medical specialty that addresses the root causes of chronic diseases through its primary, secondary, and tertiary preventative approaches. Lifestyle medicine comprises 6 pillars (nutrition, physical activity, sleep health, stress reduction, social connections, and substance use) which through various behavioral approaches, focus on regular physical activity, healthy eating, good quality and quantity sleep, and meaningful social connections coupled with the reduction of stress and substance use. This paper will briefly review the evidence and promise of individual LSM pillars in addressing the underlying MRFs of DM, cardiovascular and cerebrovascular disease (specifically stroke and vascular cognitive impairment). Lifestyle medicine holds a great promise for comprehensive and much improved population health. However, the adoption of LSM at the societal scale requires a multifaceted approach and widespread integration would galvanize a paradigm shift to prevent, treat or reverse chronic diseases from the root causes and achieve health equity.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».