MétaCan
Menu
Retour à la cohorte
Enregistrement W2108961391 · doi:10.1186/1479-5868-10-134

Genetic and environmental influences on eating behaviors in 2.5- and 9-year-old children: a longitudinal twin study

2013· article· en· W2108961391 sur OpenAlexafffundabout
Lise Dubois, Maikol Diasparra, Brigitte Bédard, Jaakko Kaprio, Bénédicte Fontaine‐Bisson, Richard E. Tremblay, Michel Boivin, Daniel Pérusse

Notice bibliographique

RevueInternational Journal of Behavioral Nutrition and Physical Activity · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensResearch Unit on Children's Psychosocial MaladjustmentUniversité de MontréalUniversité LavalUniversity of OttawaInstitute of Population and Public Health
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaCanadian Institutes of Health Research
Mots-clésHeritabilityTwin studyBivariate analysisLongitudinal studyDemographyStructural equation modelingClinical nutritionMultivariate analysisDevelopmental psychologyMedicinePsychologyBiologyGeneticsInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Eating behaviors during childhood are related both to children's diet quality and to their weight status. A better understanding of the determinants of eating behavior during childhood is essential for carrying out effective dietary interventions. METHODS: We assessed the contribution of genetic and environmental factors to variations in selected eating behaviors in early and late childhood. Information on eating behaviors came from questionnaires administered to parents of children participating in the Quebec Newborn Twin Study when the twins were 2.5 and 9 years old (n = 692 children). Dichotomous variables were derived and analyzed using structural equation modeling, as part of a classic twin study design. We performed univariate and bivariate longitudinal analyses to quantify sources of variation and covariation across ages, for several eating behavior traits. RESULTS: We found moderate to strong heritability for traits related to appetite such as eating too much, not eating enough and eating too fast. Univariate analysis estimates varied from 0.71 (95% CI: 0.49, 0.87) to 0.89 (0.75, 0.96) in younger children and from 0.44 (0.18, 0.66) to 0.56 (0.28, 0.78) in older children. Bivariate longitudinal analyses indicated modest to moderate genetic correlations across ages (r(A) varying from 0.34 to 0.58). Common genetic influences explained 17% to 43% of the phenotypic correlation between 2.5 and 9 years for these appetite-related behaviors. In 9-year-old children, food acceptance traits, such as refusing to eat and being fussy about food, had high heritability estimates, 0.84 (0.63, 0.94) and 0.85 (0.59, 0.96) respectively, while in younger children, the shared environment (i.e., common to both twins) contributed most to phenotypic variance. Variances in meal-pattern-related behaviors were mostly explained by shared environmental influences. CONCLUSIONS: Genetic predispositions explain a large part of the variations in traits related to appetite during childhood, though our results suggest that as children get older, appetite-related behaviors become more sensitive to environmental influences outside the home. Still, for several traits environmental influences shared by twins appear to have the largest relative importance. This finding supports the notion that familial context has considerable potential to influence the development of healthy eating habits throughout childhood.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,137

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,314
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations69
Publié2013
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Behavioral Nutrition and Physical ActivityMême sujetObesity, Physical Activity, DietTravaux en français237 207