Prevalence of Iron Deficiency Among Senegalese Adolescents Aged 10–19 Years: A National Representative Study
Notice bibliographique
Résumé
Objectives: To determine the associations of eating window with all-cause, cardiovascular, and cancer mortality among US adults.Methods: Cohort analysis of 33,052 participants aged >19 from NHANES (2003)(2004)(2005)(2006)(2007)(2008)(2009)(2010)(2011)(2012)(2013)(2014)(2015)(2016)(2017)(2018) with available mortality data from NCHS.Dietary data were collected via 24-hour food recalls, which enabled us to determine eating window as the time elapsed between the first and last consumption of any food/ beverage containing more than 0 calories.We employed surveyweighted Cox regression with Restricted Cubic Spline (RCS) to model the relationship between eating window and mortality.Our models were adjusted for various demographic, lifestyle, and health factors.Results: Over 8 years, all-cause, cardiovascular, and cancer deaths occurred in 4,158 (8.9%), 1,277 (2.6%), and 989 (2.2%) participants, respectively.Our fully adjusted RCS model showed a non-linear U-shaped relationship between eating window and mortality, with moderate eating windows (~11-12 hours) linked to the lowest risks (p0.004).In contrast, shorter eating windows of 8 hours/day were associated with a significantly higher risk of all-cause mortality, with hazard ratios (HR) of 1.3 or higher in the fully adjusted RCS model, especially evident in older adults.Shorter eating windows were associated with over a 50% higher cardiovascular mortality among older adults, men, and White individuals.Extended eating windows (15 hours/ day) were associated with greater risk of all-cause mortality across the study population (HR: 1.25; 95% CI:1.01-1.55).This risk was particularly greater among Whites and was primarily driven by higher cardiovascular mortality.Conclusions: Our study highlights the complexity of dietary timing and its association with mortality, with a moderate eating window of ~11-12 hours/day being associated with the lowest mortality risks, suggesting that deviations from this range may have potential health implications.The observed variations in associations between eating windows and mortality across different population subgroups suggest the need for more personalized dietary recommendations.Further long-term evidence from intervention studies in large, diverse populations is essential to establish causal relationships and elucidate underlying mechanisms.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».