Key lifestyles and health outcomes across 16 prevalent chronic diseases: A network analysis of an international observational study
Notice bibliographique
Résumé
Background: Central and bridge nodes can drive significant overall improvements within their respective networks. We aimed to identify them in 16 prevalent chronic diseases during the coronavirus disease 2019 (COVID-19) pandemic to guide effective intervention strategies and appropriate resource allocation for most significant holistic lifestyle and health improvements. Methods: We surveyed 16 512 adults from July 2020 to August 2021 in 30 territories. Participants self-reported their medical histories and the perceived impact of COVID-19 on 18 lifestyle factors and 13 health outcomes. For each disease subgroup, we generated lifestyle, health outcome, and bridge networks. Variables with the highest centrality indices in each were identified central or bridge. We validated these networks using nonparametric and case-dropping subset bootstrapping and confirmed central and bridge variables' significantly higher indices through a centrality difference test. Findings: Among the 48 networks, 44 were validated (all correlation-stability coefficients >0.25). Six central lifestyle factors were identified: less consumption of snacks (for the chronic disease: anxiety), less sugary drinks (cancer, gastric ulcer, hypertension, insomnia, and pre-diabetes), less smoking tobacco (chronic obstructive pulmonary disease), frequency of exercise (depression and fatty liver disease), duration of exercise (irritable bowel syndrome), and overall amount of exercise (autoimmune disease, diabetes, eczema, heart attack, and high cholesterol). Two central health outcomes emerged: less emotional distress (chronic obstructive pulmonary disease, eczema, fatty liver disease, gastric ulcer, heart attack, high cholesterol, hypertension, insomnia, and pre-diabetes) and quality of life (anxiety, autoimmune disease, cancer, depression, diabetes, and irritable bowel syndrome). Four bridge lifestyles were identified: consumption of fruits and vegetables (diabetes, high cholesterol, hypertension, and insomnia), less duration of sitting (eczema, fatty liver disease, and heart attack), frequency of exercise (autoimmune disease, depression, and heart attack), and overall amount of exercise (anxiety, gastric ulcer, and insomnia). The centrality difference test showed the central and bridge variables had significantly higher centrality indices than others in their networks (P < 0.05). Conclusion: To effectively manage chronic diseases during the COVID-19 pandemic, enhanced interventions and optimised resource allocation toward central lifestyle factors, health outcomes, and bridge lifestyles are paramount. The key variables shared across chronic diseases emphasise the importance of coordinated intervention strategies.
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 | 0,003 | 0,000 |
| 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 | 0,000 |
| 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 ».