Association between physical activity, socioeconomic status, blood biomarkers, and diet in lebanese adults
Notice bibliographique
Résumé
BACKGROUND: Inactivity is a significant contributor to non-communicable diseases. In Lebanon, the World Health Organization reported a rising prevalence of physical inactivity among adults. Various studies highlight the benefits of physical activity (PA) on health, influenced by sociodemographic factors, gender, age, and diet. This study aims to examine PA correlates in Lebanese adults, focusing on blood biomarkers. METHODS: This cross-sectional study included 296 adults aged ≥18 years. Participants completed a brief sociodemographic and food frequency questionnaire, underwent anthropometric measurements, and provided fasting blood samples. PA was measured using the International Physical Activity Questionnaire (IPAQ) short form and was divided into two categories: low PA corresponding to any walking activity, and moderate to vigorous PA for activities requiring physical effort. Descriptive statistics were computed for sociodemographic characteristics, BMI, waist circumference, energy intake, PA levels, and blood biomarkers. Logistic regressions were used to assess PA and blood biomarkers associations, adjusted for relevant covariates. RESULTS: Gender and marital status were associated with moderate to vigorous PA levels. No association was found between PA levels, BMI, waist circumference, diet, or blood biomarkers. Multivariate binary logistic regression analyses showed that females (OR=1.96, 95% CI: 1.16-3.31) and those with LDL moderate risk (OR=1.90, 95% CI: 1.02-3.66), and high risk (OR=2.44, 95% CI: 1.08-5.55), were more likely to show moderate-to-high PA levels. CONCLUSION: PA was positively associated with gender and disease risk, particularly LDL, a biomarker known to jeopardize cardiovascular health. Disease risk appears to be a driving factor in performing physical activity among women. These results may guide early nutrition interventions endorsing physical activity as a preventive measure to decrease the prevalence of cardio metabolic disorders.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».