Type 1 Diabetes Mellitus and Components in Drinking Water and Diet: A Population-Based, Case-Control Study in Prince Edward Island, Canada
Notice bibliographique
Résumé
OBJECTIVE: To determine the relationship between the risk of type 1 diabetes (T1D) and daily intake of drinking water and dietary components, including nitrate, nitrite, and nitrosamines, during the year prior to diagnosis. METHODS: Controls (n = 105) were matched by age at diagnosis and sex to T1D cases (n = 57) newly diagnosed during 2001-2004. Food consumption was assessed using a food frequency questionnaire. Locally available samples of foods were tested for nitrate, nitrite, and nitrosamine concentrations. Water consumption was determined through an additional questionnaire, and water samples were taken from homes and tested for routine chemical components, including nitrate. RESULTS: After controlling for age, age, sex, and daily energy intake, nitrate intake from food sources showed a non-significant positive trend (odds ratios and 95% confidence intervals for quartiles = 1.00, 1.63 (0.58, 4.63), 1.71 (0.54, 5.40), 3.02 (0.78, 11.74); p for trend = 0.13). Nitrite and nitrosamine intake were not related to T1D risk (p for trend = 0.77 and 0.81, respectively). When food and water components were combined, zinc and calcium intakes were marginally and inversely related to T1D risk (p for trend = 0.07 and 0.06, respectively). After further model adjustment of possible confounders and significant risk factors, an increased intake of caffeine marginally increased the risk of T1D (p = 0.07). CONCLUSION: Dietary components from both food and water sources may influence the risk of developing T1D in young persons.
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 | 0,000 |
| 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 ».