Social determinants of health and brain connectivity predict physical activity behavior change after new cardiovascular diagnosis
Notice bibliographique
Résumé
Abstract Physical activity is essential for preventing cognitive decline, stroke and dementia in older adults. A new cardiovascular diagnosis offers a critical window for positive lifestyle changes. However, sustaining physical activity behavior change remains challenging and the underlying mechanisms are poorly understood. To identify the neural, behavioral, and contextual determinants of long-term physical activity change after a new cardiovascular diagnosis, we applied support vector machine learning to predict 4-year trajectories of both self-reported and accelerometer-derived moderate-to-vigorous physical activity in 295 cognitively unimpaired older adults from the UK Biobank, testing three models that incorporated baseline: (i) demographic, cognitive, and contextual factors, (ii) baseline resting-state functional connectivity alone, and (iii) combined multimodal features across all predictors. The combined multimodal model had the highest predictive power (r = 0.28, P = 0.001). Key predictors included greenspace access, social support, executive function and between-network functional connectivity within the default mode, and frontoparietal control networks. These findings underscore the importance of behavioral factors and social determinants of health and uncover neural mechanisms that may support lifestyle modifications. In addition to furthering our understanding of the mechanisms underlying successful physical activity behavior change, these findings help to guide the design of interventions and health policy with the ultimate goal of preventing cardiovascular disease burden and late-life cognitive decline.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».