Prevalence and factors associated with sarcopenia among urban and rural Indian adults in middle age: A cross-sectional study from Western India
Notice bibliographique
Résumé
Sarcopenia is the age-related loss of muscle mass and function. India has 8.6% of the global elderly (>60 years) population, and this is expected to increase to 20% by 2050. Around 70% of Indians live in rural areas where lifestyle factors like diet and physical activity differ from urban areas. Understanding age, sex and location-specific sarcopenia prevalence in India is crucial. Thus, our aim was to assess the prevalence and determinants of sarcopenia in urban and rural community-dwelling men and women aged 40 years and older, representing the next generation of older Indian adults. This cross-sectional study included 745 adults (400 women) from urban and rural areas near Pune, Western India. Assessments included socio-demography, diet by-24-hr recall, physical activity, anthropometry (height, weight), muscle mass measurement by dual-energy X-ray absorptiometry, muscle strength (hand grip) & muscle function by Short Physical Performance Battery (SPPB). Sarcopenia was defined by Asian Working Group on Sarcopenia-2019 guidelines Mean age of participants was 53±7.6yrs. Overall prevalence of sarcopenia was 10% and of severe sarcopenia was 4.2%. Sarcopenia prevalence was higher in rural (14.8%) than urban (6.8%) participants and in men (12.5%) than women (8%, all p<0.05). Muscle mass, grip strength and SPPB score were all higher in urban than rural participants (p<0.05). Older age, rural residence, inadequate protein intake, and lower socio-economic status were independently associated with sarcopenia. In this middle-aged group, sarcopenia prevalence was similar to that observed in older Western populations, over 100% higher among rural than urban participants, and higher amongst men than women. Age, location, protein intake and socioeconomic status were factors associated with sarcopenia. Given this rapidly increasing population of older adults in India there is an urgent need to plan strategies for early sarcopenia diagnosis and management, especially in rural populations.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».