Reducing Socioeconomic Inequalities in Adult Cardiovascular Disease Risk by Targeting Unhealthy Movement Behaviours During Adolescence: A Protocol
Notice bibliographique
Résumé
Populations with lower socioeconomic position (SEP) are at increased risk of developing cardiovascular disease (CVD). Movement behaviours, including physical activity, sedentary behaviour, and sleep, contribute to socioeconomic gradients in CVD risk, as low-SEP populations are less likely to meet evidence-informed recommendations for these behaviours. Adolescence represents a sensitive period for establishing lifelong health behaviours, with CVD risk beginning to accumulate before adulthood. This study will model the potential effect of adolescent movement behaviour interventions on socioeconomic inequalities in adult CVD risk. We will conduct a population-based cohort study of adolescents from the Add Health study, recruited in 1994-1995 from the US and followed into adulthood. Unhealthy movement behaviours, including a low level of moderate-to-vigorous physical activity, a high level of recreational screen time, and short sleep duration, will be operationalized based on the 24-hour Movement Guidelines and measured twice during adolescence (ages 12-24 years). Parental educational attainment and family financial hardship will be used to capture SEP in adolescence. The outcome will be the 30-year risk of CVD, assessed in adulthood (ages 33-41 years) using a validated risk score that incorporates objectively measured biomarkers, demographic information, and self-reported health indicators. We will perform causal decompositions to quantify the change of socioeconomic inequalities in adult CVD risk under 2 interventional scenarios: (i) elimination (unhealthy movement behaviours are eliminated in the whole population of adolescents); and (ii) equalization (the distributions of unhealthy movement behaviours for low-SEP adolescents are equalized to those of high-SEP adolescents). This study will provide insights into how modifying adolescent movement behaviours may contribute to reducing socioeconomic inequalities in CVD risk.
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 | 0,022 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,009 |
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 ».