Associations of protein intake and protein source with bone mineral density and fracture risk: A population-based cohort study
Notice bibliographique
Résumé
UNLABELLED: High dietary protein has been hypothesized to cause lower bone mineral density (BMD) and greater fracture risk. Previous results are conflicting and few studies have assessed potential differences related to differing protein sources. OBJECTIVE: To determine associations between total protein intake, and protein intake by source (dairy, non-dairy animal, plant) with BMD, BMD change, and incident osteoporotic fracture. DESIGN/SETTING: Prospective cohort study (Canadian Multicentre Osteoporosis Study). Participants/Measures: Protein intake was assessed as percent of total energy intake (TEI) at Year 2 (1997-99) using a food frequency questionnaire (N=6510). Participants were contacted annually to ascertain incident fracture. Total hip and lumbar spine BMD was measured at baseline and Year 5. Analyses were stratified by group (men 25-49 y, men 50+ y, premenopausal women 25-49 y, and postmenopausal women 50+ y) and adjusted for major confounders. Fracture analyses were limited to those 50+ y. RESULTS: Intakes of dairy protein (with adjustment for BMI) were positively associated with total hip BMD among men and women aged 50+ y, and in men aged 25-49. Among adults aged 50+ y, those with protein intakes of <12% TEI (women) and <11% TEI (men) had increased fracture risk compared to those with intakes of 15% TEI. Fracture risk did not significantly change as intake increased above 15% TEI, and was not significantly associated with protein source. CONCLUSIONS: In contrast to hypothesized risk of high protein, we found that for adults 50+ y, low protein intake (below 15% TEI) may lead to increased fracture risk. Source of protein was a determinant of BMD, but not fracture 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 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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».