Social epidemiology of cardiometabolic risk factors in early adolescents
Notice bibliographique
Résumé
Background: To estimate associations between sociodemographic factors and cardiometabolic risk factors among a demographically diverse sample of U.S. adolescents aged 10-14 years. Methods: This study analyzed data from the Adolescent Brain Cognitive Development (ABCD) Study (N = 1412), Years 2 and 3 (2018-2021). Cardiometabolic risk factors including hemoglobin A1c and cholesterol (total cholesterol (TC), high-density lipoprotein cholesterol (HDL-C), and non-HDL-C) were assessed. Multivariable linear regression models were conducted to estimate the associations between sociodemographic factors (age, sex, race and ethnicity, household income, and parental education) and cardiometabolic risk factors (hemoglobin A1c, TC, HDL-C, and non-HDL-C). Results: The average hemoglobin A1c level was 5.2 % (±0.4 %), the average TC level was 156.6 (±28.9) mg/dL, and the average HDL-C level was 56.0 (±12.9) mg/dL. Out of our sample, 0.5 % had diabetes (hemoglobin A1c ≥ 6.5 %), 7.6 % had high TC (≥200 mg/dL), and 7.4 % had low HDL-C (<40 mg/dL). Older age was associated with lower TC, HDL-C, and non-HDL-C levels. Male sex was associated with higher hemoglobin A1c (beta coefficient [B] 0.04; 95 % confidence interval [CI], 0.00, 0.08; p = 0.037) and lower TC (B -3.14; 95 % CI, -6.17, -0.11; p = 0.042) compared to female sex. Black and Native American race and ethnicity were associated with higher hemoglobin A1c compared to White race. Higher household income was associated with higher TC and HDL-C. Conclusion: This study of a diverse population of early adolescents identified sociodemographic differences in hemoglobin A1c and cholesterol levels that can inform clinical and public health interventions.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».