Development Of Three Anthropometric Methods To Predict DXA-derived Body Fat Mass In Mexican Athletes
Notice bibliographique
Résumé
The measurement of body fat mass (BFM) is a fundamental component of fitness. Traditionally, the skinfold thickness (SKF) technique has been used for this purpose; however, its limitations in terms of precision and reliability are significant, leading to a quest to develop more robust indicators. In this context, using body surface area (BSA), central circumferences, and height might help improve BFM estimation from SKF. PURPOSE: To develop and validate BFM prediction models from anthropometric methods based on BSA, SKF, central circumferences, and height. METHODS: A total of 280 male athletes (weight: 72.09 ± 9.83 kg, height: 1.75 ± 0.08 m, age 23.9 ± 4.4; BFM: 11.9 ± 4.2 kg) underwent a whole-body DXA scan (Hologic QDR-4500) to assess their BFM as the reference. Anthropometric measurements were taken by certified personnel according to the ISAK protocol. The anthropometric variables included four central circumferences (chest, waist, abdomen, hips) and eight skinfolds (triceps, biceps, subscapular, iliac crest, supraspinale, abdominal, thigh, calf). We calculated three anthropometric methods to estimate BFM individually: Body Surface Area method (BSAM), Trunk Adiposity method (TAM), and Central Adiposity method (CAM). BSAM was calculated as = BSA * Average SKF (cm); the BSA was calculated as = (weight * height)/36000.5 TAM was calculated as = Height (m) * Average SKF (cm) * Average of Central circumferences (cm). CAM was calculated as = Height (m) * Average SKF (cm) * Average (Chest and Waist circumferences, cm). We used simple linear regressions to predict BFM from each anthropometric method and Bland-Altman analyses to compare the predicted scores with DXA. RESULTS: The mean BSAM, TAM, and CAM were 1.98 ± 0.78, 157.97 ± 62.39 and 164.09 ± 66.16, respectively. The obtained regression equations were BFM = 4.91 + 2.16 * BSAM (SEE = 1.82, R2 = 0.78), BFM =0.05 + 2.88 * TAM (SEE = 1.27 kg, R2 = 0.87) and BFM = 0.06 + 2.42 * CAM (SEE = 1.80, R2 = 0.79). The mean difference vs DXA (95% limits of agreement) was 0.10 (-3.79 to 3.99) for BSAM, 0.19 (-2.38 to 2.76) for TAM and 0.10 (-3.65 to 3.85) for CAM. CONCLUSIONS: The BSAM, TAM, and CAM are valid predictors for estimating BFM, and TAM seems to be the most accurate of them.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,009 |
| 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 ».