Showing posts with label HCE. Show all posts
Showing posts with label HCE. Show all posts

Sifat manusia didistribusikan sepanjang kurva lonceng: Anda perlu mengenal diri sendiri, dan HCE dapat membantu

Kebanyakan sifat-sifat manusia (misalnya, persentase lemak tubuh, tekanan darah, kecenderungan ke arah depresi) dipengaruhi oleh gen kita; beberapa lebih dari yang lain. Sebagian besar sifat juga dipengaruhi oleh faktor lingkungan, mengasuh bagian dari persamaan sifat-nurture. Sangat sedikit sifat bawaan, seperti jenis darah.

Ini berarti bahwa memanipulasi faktor lingkungan, seperti pola makan dan gaya hidup, sangat dapat mempengaruhi bagaimana ciri-ciri akhirnya dinyatakan pada manusia. Tapi setiap individu cenderung merespon secara berbeda terhadap diet dan perubahan gaya hidup, karena setiap individu adalah unik dalam hal nya kombinasi nature dan nurture. Bahkan kembar identik yang berbeda dalam hal itu.

Ketika diplot, ciri-ciri yang dipengaruhi oleh gen kita didistribusikan sepanjang kurva berbentuk lonceng. Sebagai contoh, suatu sifat seperti persentase lemak tubuh, ketika diukur dalam populasi 1.000 orang, akan menghasilkan distribusi nilai-nilai yang akan terlihat seperti distribusi berbentuk lonceng. Jenis distribusi juga dikenal dalam statistik sebagai distribusi normal.

Kenapa itu?

Efek aditif gen dan kurva lonceng

Alasannya adalah murni matematika. Sebuah sifat terukur, seperti persentase lemak tubuh, biasanya dipengaruhi oleh beberapa gen. (Kadang-kadang gen individu memiliki efek yang sangat nyata, seperti dalam gen yang mengaktifkan atau menonaktifkan gen lain.) Mereka gen muncul secara acak dalam suatu populasi, dan berbagai kombinasi mereka menyebar dalam menanggapi tekanan seleksi. Tekanan seleksi biasanya menyebabkan penyempitan distribusi kurva berbentuk lonceng dari sifat dalam populasi.

Gen berinteraksi dengan pengaruh lingkungan, yang juga memiliki tingkat tertentu keacakan. Hasilnya adalah keacakan gabungan besar-besaran. Ini adalah keacakan besar ini yang mengarah ke distribusi bell-kurva. Bel kurva itu sendiri tidak acak sama sekali, yang merupakan aspek menarik dari fenomena ini. Dari kekacauan datang order. Sebuah kurva lonceng adalah kurva yang didefinisikan yang berhubungan dengan fungsi, fungsi kepadatan probabilitas.

Alasan matematika yang mendasari untuk bentuk bel adalah teorema limit sentral. Gen digabungkan dalam individu yang berbeda sebagai kombinasi alel, di mana masing-masing alel adalah variasi (atau mutasi) gen. Set alel, gen di lokasi yang berbeda dari DNA manusia, membentuk kombinasi alel tertentu, yang disebut genotipe. Alel menggabungkan efek mereka, biasanya dengan cara aditif, untuk mempengaruhi suatu sifat.

Berikut adalah ilustrasi sederhana. Mari kita mengatakan satu menghasilkan 1.000 variabel acak, masing-masing menyimpan 10 nilai acak pergi dari 0 sampai 1. Kemudian nilai-nilai yang tersimpan di masing-masing 1.000 variabel acak ditambahkan. Ini meniru efek aditif dari 10 gen dengan kombinasi alel secara acak. Hasilnya adalah nomor mulai dari 1 sampai 10, pada populasi 1.000 orang; setiap nomor analog dengan kombinasi alel. Histogram yang dihasilkan, yang plot frekuensi setiap kombinasi alel (atau genotipe) dalam populasi, yang ditampilkan pada gambar di bawah. Setiap konfigurasi alel akan mendorong berbagai sifat tertentu, membuat distribusi sifat juga memiliki bentuk berbentuk lonceng yang sama.



Kurva lonceng, studi penelitian, dan apa artinya bagi Anda

Studi tentang efek dari diet dan olahraga pada variabel kesehatan biasanya melaporkan hasil mereka dalam hal respon rata-rata dalam kelompok peserta. Sering dua kelompok digunakan, satu kontrol dan satu pengobatan. Sebagai contoh, dalam sebuah studi yang berhubungan dengan diet kelompok kontrol dapat mengikuti Diet American Standard, dan kelompok perlakuan dapat mengikuti diet rendah karbohidrat.

Namun, Anda bukan orang rata-rata; rata-rata orang adalah abstraksi. Penelitian tentang distribusi kurva lonceng memberitahu kita bahwa ada sekitar 68 persen kemungkinan bahwa Anda akan jatuh dalam standar deviasi 1 dari rata-rata, ke kiri atau kanan tengah kurva lonceng. Namun, bahkan 0,5 deviasi standar atas rata-rata tidak rata-rata. Dan, ada sekitar 32 persen kesempatan bahwa Anda tidak akan berada dalam yang lebih besar -1 untuk 1 standar deviasi kisaran. Jika hal ini terjadi, hasil rata-rata yang dilaporkan mungkin dekat dengan relevan untuk Anda.

Hasil rata-rata yang dilaporkan dalam studi adalah titik awal yang baik untuk orang-orang yang mirip dengan studi peserta. Tapi Anda perlu ilmu pelet jarak jauh untuk menghasilkan data Anda sendiri, dengan tujuan untuk mengetahui diri melalui angka dengan semakin menganalisanya. Hal ini mirip dengan membangun diary numerik. Hal ini tidak persis N = 1 percobaan, karena beberapa ingin mengatakan, karena Anda dapat menghasilkan beberapa poin data (misalnya, N = 200) tentang bagaimana tubuh Anda sendiri merespon diet dan perubahan gaya hidup dari waktu ke waktu.

HealthCorrelator untuk Excel (HCE)

Saya pikir saya akhirnya mampu mengembangkan perangkat lunak yang dapat membantu orang melakukan itu. Saya telah menggunakan sendiri selama bertahun-tahun, awalnya sebagai prototipe. Anda dapat melihat hasil transformasi saya di posting ini. Tantangan bagi saya adalah untuk menghasilkan alat yang cukup mudah digunakan, dan belum cukup kuat untuk memberi orang wawasan yang baik tentang apa yang terjadi dengan tubuh mereka.

Perangkat lunak yang disebut HealthCorrelator untuk Excel (HCE). Ini berjalan pada Excel, dan menghasilkan koefisien asosiasi (korelasi, yang berkisar dari -1 sampai 1) antara variabel dan grafik di klik tombol.

5 menit YouTube Video ini menunjukkan bagaimana perangkat lunak itu bekerja pada umumnya, dan video 10 menit ini masuk ke detail lebih lanjut tentang bagaimana perangkat lunak dapat digunakan untuk mengelola variabel kesehatan tertentu. Kedua video membangun dataset sampel yang sangat kecil, dan fokus mereka adalah pada manajemen kolesterol HDL. Namun demikian, perangkat lunak dapat digunakan dalam pengelolaan hampir semua variabel misalnya yang berhubungan dengan kesehatan, glukosa darah, trigliserida, kekuatan otot, massa otot, episode depresi dll

Anda harus memasukkan data tentang diri Anda, dan kemudian perangkat lunak akan menghasilkan koefisien asosiasi dan grafik di klik tombol. Seperti yang dapat Anda lihat dari video di atas, sangat sederhana. Interpretasi dari hasil sangat mudah dalam banyak kasus, dan sedikit lebih rumit dalam sejumlah kecil kasus. Beberapa hasil mungkin akan mengejutkan pengguna, dan dokter mereka.

Misalnya, pengguna yang pasien mungkin dapat menunjukkan ke dokter itu, dalam kasus tertentu pengguna, perubahan diet mempengaruhi variabel tertentu (misalnya, trigliserida) jauh lebih kuat daripada obat resep atau suplemen. Pos lainnya akan datang di masa depan di blog ini tentang hal ini dan isu-isu terkait lainnya.

Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

HealthCorrelator untuk Excel 1.0 (HCE): Panggilan untuk penguji beta

Panggilan ini ditutup. Pengujian beta yang telah berhasil diselesaikan. HealthCorrelator untuk Excel (HCE) sekarang tersedia untuk di-download publik dan gunakan secara percobaan gratis. Bagi para pengguna yang memutuskan untuk membelinya setelah mencoba, lisensi yang tersedia untuk individu dan organisasi.

Untuk men-download versi percobaan gratis serta mendapatkan User Manual, lihat demo video YouTube, dan men-download ilmu pelet jarak jauh dan mencoba dataset sampel mengunjungi situs web HealthCorrelator.com.

Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

HealthCorrelator untuk Excel (HCE) sekarang tersedia untuk umum untuk percobaan gratis

HealthCorrelator untuk Excel (HCE) sekarang tersedia untuk di-download publik dan gunakan secara percobaan gratis. Bagi para pengguna yang memutuskan untuk membelinya setelah mencoba, lisensi yang tersedia untuk individu dan organisasi. Jika Anda adalah anggota gym, pertimbangkan untuk meminta gym Anda untuk membeli lisensi situs organisasi; ini akan memungkinkan gym untuk mendistribusikan lisensi individu tanpa biaya kepada Anda dan rekan Anda.

HCE adalah software Excel berbasis user-friendly yang memperkenalkan asosiasi penting di antara variabel kesehatan di klik tombol. Berikut adalah beberapa fitur utama:

- Mudah untuk menggunakan perangkat lunak manajemen kesehatan namun kuat.

- Perkiraan asosiasi antara sejumlah variabel kesehatan.

- Secara otomatis memerintahkan asosiasi dengan mengurangi kekuatan mutlak.

- Grafik hubungan antara pasangan variabel kesehatan, untuk semua kemungkinan kombinasi.

Pengujian beta berhasil diselesaikan, dengan hasil yang cukup positif. (Terima kasih penguji beta!) Di antara penguji beta adalah pengguna ilmu pelet jarak jauh Mac. Permintaan utama dari penguji beta adalah untuk bahan yang lebih ilustratif tentang cara menggunakan HCE untuk tujuan tertentu, seperti kehilangan lemak tubuh atau mengelola kadar glukosa darah. Ini akan datang di masa depan dalam bentuk tulisan dan bahan terkait.

Untuk men-download versi percobaan gratis, baik untuk 30 sesi penggunaan (yang cukup banyak!), Silakan kunjungi situs web HealthCorrelator.com. Di sana Anda juga akan menemukan Manual software Pengguna dan berbagai link ke demo video YouTube. Anda juga dapat men-download dataset sampel untuk mencoba software fitur utama.

Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

The China Study II: J melihat kematian di 35-69 dan 70-79 rentang usia

Posting ini didasarkan pada analisis dari subset dari data China Study II, menggunakan HealthCorrelator untuk Excel (HCE), yang tersedia untuk umum untuk di-download dan gunakan secara percobaan gratis. Anda dapat mengakses data asli di situs web HCE, di bawah Contoh dataset.

HCE dirancang untuk digunakan dengan dataset pribadi kecil dan individu, tetapi juga dapat digunakan dengan dataset yang lebih besar untuk beberapa individu.

Analisis ini berfokus pada dua variabel utama dari data China Study II: kematian di kisaran 35-69 usia, dan kematian dalam 70-79 jangkauan. Tabel di bawah menunjukkan koefisien asosiasi dihitung dengan HCE bagi mereka dua variabel. Variabel label asli ditampilkan.



Satu keuntungan dari melihat kematian dalam rentang ini adalah bahwa mereka lebih mungkin untuk mencerminkan dampak dari penyakit degeneratif. Penyakit menular kemungkinan membunuh banyak anak-anak di Cina pada saat data sedang dikumpulkan. Penyakit jantung, di sisi lain, cenderung telah membunuh lebih banyak orang di 35-69 dan 70-79 rentang.

Hal ini juga baik untuk memiliki data untuk kedua rentang, karena faktor-faktor yang mungkin meningkatkan umur panjang adalah mereka yang berhubungan dengan angka kematian menurun pada kedua rentang. Sebagai contoh, sebuah faktor yang sangat terkait dengan kematian dalam 35-69 kisaran, tetapi tidak 70-79 kisaran, mungkin hanya menjadi sangat mematikan di bekas kisaran.

Mortalitas pada kedua rentang yang sangat berkorelasi dengan satu sama lain, yang diharapkan. Berikutnya, di bagian paling atas untuk kedua rentang, adalah seks. Menjadi perempuan adalah jauh variabel dengan kuat, dan negatif, asosiasi dengan kematian.

Sementara saya harapkan perempuan untuk hidup lebih lama, kekuatan dari asosiasi membuat saya berpikir bahwa ada sesuatu yang lain terjadi di sini. Mungkin berbeda pola diet atau perilaku yang ditampilkan oleh perempuan. Mungkin merokok atau alkohol yang banyak kurang lazim di antara mereka.

Pola gaya hidup yang sangat berbeda antara pria dan wanita mungkin menjadi variabel pengganggu utama dalam sampel China Study.

Beberapa variabel yang berlebihan; yang berarti bahwa mereka sangat berkorelasi dan tampaknya untuk mengukur hal yang sama. Hal ini jelas ketika kita melihat koefisien lain dari asosiasi yang dihasilkan oleh HCE.

Misalnya, konsumsi makanan tanaman kuat dan berkorelasi negatif dengan konsumsi pangan hewani; begitu kuat bahwa Anda bisa menggunakan salah satu dari kedua variabel untuk mengukur lain, setelah pembalik skala. Hal yang sama berlaku untuk konsumsi beras dan tepung putih.

Konsumsi makanan tanaman tidak berkorelasi kuat dengan konsumsi protein tanaman; banyak makanan nabati memiliki sedikit protein di dalamnya. Orang-orang yang memiliki kandungan protein tinggi biasanya industri dan berbasis benih. Jenis makanan yang paling sangat terkait dengan konsumsi protein nabati adalah tepung putih, jauh. Korelasi adalah 0,645.

Gambar di bawah ini didasarkan pada tabel di atas. Aku membuka contoh terpisah dari Excel, dan disalin koefisien yang dihasilkan oleh HCE ke dalamnya. Kemudian saya membangun dua grafik batang dengan mereka. Variabel label diganti dengan nama yang lebih sugestif, dan beberapa variabel berlebihan telah dihapus. Hanya atas 7 variabel ditampilkan, dipesan dari kiri ke kanan pada bar chart dalam urutan kekuatan asosiasi. Yang di atas sumbu horisontal mungkin meningkatkan mortalitas di setiap rentang usia, sedangkan yang di bagian bawah mungkin menurun itu.



Ketika Anda melihat hasil ini secara keseluruhan, beberapa hal datang ke pikiran.

Konsumsi tepung putih doesnt tampaknya akan membuat orang hidup lebih lama; juga tidak konsumsi pangan tanaman pada umumnya. Untuk tepung putih, itu adalah justru sebaliknya. Konsumsi makanan tanaman mencerminkan konsumsi tepung putih sampai batas tertentu, terutama di kabupaten mana konsumsi beras rendah. Kesimpulan ini konsisten dengan analisis sebelumnya menggunakan statistik yang lebih kompleks.

Jumlah makanan berhubungan positif dengan kematian dalam 35-69 kisaran, tetapi tidak 70-79 jangkauan. Hal ini mungkin mencerminkan fakta bahwa orang-orang yang mencapai usia 70 cenderung alami makan secukupnya, sehingga Anda tidak melihat variasi yang luas dalam konsumsi pangan di antara mereka orang-orang.

Makan di moderasi tidak berarti berlatih pembatasan kalori parah. Posting ini menunjukkan bahwa pembatasan kalori tampaknya tidak dikaitkan dengan peningkatan umur panjang dalam sampel ini. Makan dengan baik, tapi tidak terlalu banyak, adalah.

Bar untuk beras (konsumsi) pada grafik kiri kemungkinan refleksi cermin dari konsumsi tepung putih, sehingga mungkin muncul untuk menjadi baik dalam 35-69 kisaran hanya karena mencerminkan mengurangi konsumsi tepung putih di kisaran tersebut.

Sayuran hijau tampaknya menjadi baik ketika Anda mempertimbangkan 35-69 kisaran, tetapi tidak 70-79 jangkauan.

Baik padi maupun sayuran hijau tampaknya menjadi buruk baik. Untuk umur panjang keseluruhan mereka mungkin netral, dengan manfaat kemungkinan berasal dari penggantian tepung putih dalam diet.

Diet lemak tampaknya keseluruhan pelindung, terutama bersama-sama dengan makanan hewani dalam 70-79 jangkauan. Ini mungkin hanya mencerminkan efek perlindungan tertunda lemak hewani dan konsumsi protein.

Efek perlindungan dari lemak makanan menjadi jelas ketika kita melihat hubungan antara karbohidrat kalori dan kalori lemak. Korelasi mereka adalah -.957, yang pada dasarnya berarti bahwa asupan karbohidrat serius menggantikan asupan lemak.

Karbohidrat sendiri mungkin tidak menjadi masalah, bahkan jika datang dari makanan glikemik tinggi (kecuali tepung terigu, rupanya). Posting ilmu pelet jarak jauh ini menunjukkan bahwa mereka relatif jinak jika datang dari beras glikemik tinggi, bahkan pada intake tinggi 206-412 g / hari. Masalahnya tampaknya disebabkan oleh karbohidrat menggusur makanan hewani padat gizi.

Menariknya, beras tidak menggantikan makanan hewani atau lemak dalam diet. Hal ini berkorelasi positif dengan mereka. Tepung terigu, di sisi lain, menggantikan makanan tersebut. Tepung terigu secara negatif dan agak sangat berkorelasi dengan konsumsi makanan hewani, serta dengan lemak hewan dan protein.

Tentu saja ada beberapa efek tertunda di sini, yang dapat mendistorsi hasil agak. Penyakit degeneratif tidak tumbuh dengan cepat dan membunuh orang-orang segera. Mereka sering membutuhkan bertahun-tahun makan dan melakukan hal-hal yang salah berakibat fatal.

Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

Penanda kesehatan yang berbeda-beda misterius? Melakukan beberapa pekerjaan detektif dengan HCE

John adalah kelebihan berat badan, dari bentuk, dan mengalami kelelahan. Apa yang dia lakukan? Dia dihapus makanan yang kaya karbohidrat olahan dan gula dari diet. Dia juga membuang minyak biji industri dan mulai berolahraga. Dia menggunakan HealthCorrelator untuk Excel (HCE) untuk melacak beberapa nomor yang berhubungan dengan kesehatan dari waktu ke waktu (lihat gambar di bawah).



Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

Memanggil diri eksperimen N = 1 adalah tidak benar dan menyesatkan

Ini bukan posting tentang semantik. Menggunakan N = 1 untuk merujuk pada diri eksperimen tidak apa-apa, asalkan seseorang memahami bahwa diri-eksperimen adalah salah satu cara yang paling ampuh untuk meningkatkan kesehatan seseorang. Biasanya istilah N = 1 digunakan dengan cara yang merendahkan, seperti dalam: Itu hanya saya N = 1 pengalaman, jadi tidak layak banyak, tapi ini adalah alasan di balik posting ini. Menggunakan N = 1 istilah untuk menyebut diri eksperimen dengan cara ini adalah baik tidak benar dan menyesatkan.

Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

Trigliserida, VLDL, dan makanan kaya karbohidrat industri

Berikut adalah koefisien dasar dihitung dengan HealthCorrelator untuk Excel (HCE) untuk pengguna John Doe. Koefisien dasar dihitung sebagai korelasi linear di HCE (). Fokus di sini adalah pada hubungan antara trigliserida puasa dan berbagai variabel lainnya. Lihatlah koefisien asosiasi di atas, dengan VLDL kolesterol, ditandai dengan panah merah. Ini adalah sangat tinggi 0,999.

Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

Menemukan sweet spot Anda untuk mendapatkan otot dengan HCE

Dalam rangka untuk mencapai keuntungan otot, kita harus berulang kali memukul jendela supercompensation, yang merupakan periode singkat waktu terjadi di beberapa titik dalam tahap pemulihan otot setelah sesi latihan intens anaerobik. Angka tersebut di bawah ini, dari Vladimir Zatsiorskys dan William Kraemers buku yang beredar Sains dan Praktek Pelatihan Kekuatan () memberi gambaran ide supercompensation. Supercompensation dibahas lebih rinci dalam posting sebelumnya ().

Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya

Pengalaman HCE pengguna: Kisaran anabolik mungkin diukur baik dalam hitungan detik dari pengulangan

Hal ini tidak biasa bagi mereka yang melakukan latihan beban untuk melihat ada keuntungan dalam jangka waktu yang lama untuk latihan berat tertentu (misalnya, overhead press), bahkan ketika mereka mengalami keuntungan dalam jenis olahraga (misalnya, squats biasa). HealthCorrelator untuk Excel (HCE) dan output utama, koefisien dasar dan grafik (), telah membantu beberapa pengguna kreatif mengidentifikasi alasan mengapa mereka tidak melihat keuntungan, dan keluar dari periode stagnasi. Ini mungkin ide yang baik untuk mengukur jumlah detik usaha per set; selain variabel lain seperti jumlah set dan repetisi, dan jumlah berat terangkat. Dalam beberapa kasus, J kurva terbalik, penuh atau parsial (hanya sisi kiri itu), muncul kesan bahwa jumlah detik usaha dalam jenis tertentu dari latihan beban adalah prediktor yang lebih baik dari mendapatkan otot dari jumlah pengulangan yang digunakan. J kurva terbalik mirip dengan yang dibahas di posting sebelumnya di HCE digunakan untuk perbaikan latihan beban, di mana fenomena supercompensation juga dibahas (). 


Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya