Early Exposure to Nonnutritive Sweeteners and Long-term Metabolic Health: A Systematic Review
Notice bibliographique
Résumé
CONTEXT: Nonnutritive sweetener (NNS) consumption is increasing among children, yet its long-term health impact is unclear, particularly when exposure occurs during early life. OBJECTIVE: To synthesize evidence from prospective studies evaluating the association of early-life NNS exposure and long-term metabolic health. DATA SOURCES: Medline, Embase, and Cochrane Library (inception to July 2015). STUDY SELECTION: We aimed to include randomized controlled trials (RCTs) evaluating NNS-based interventions and prospective cohort studies reporting NNS exposure among pregnant women, infants, or children (<12 years of age), with a minimum study duration of 6 months. DATA EXTRACTION: The primary outcome was BMI; secondary outcomes included growth velocity, overweight/obesity, adiposity, and adverse metabolic effects. Study quality and risk of bias were evaluated using validated assessment tools. RESULTS: We identified 6 eligible cohort studies and 2 RCTs (n = 15,641 children). Half of the cohorts reported increasing weight gain or fat mass accumulation with increasing NNS intake, and pooled data from 2 cohorts showed a significant correlation with BMI gain (weighted mean correlation 0.023, 95% confidence interval 0.006 to 0.041). RCTs reported contradictory effects on weight change in children receiving NNSs. No eligible studies evaluated prenatal or infant NNS exposure. LIMITATIONS: Meta-analysis was limited because of the small number of eligible studies and heterogeneity of populations and outcomes. CONCLUSIONS: There is limited and inconsistent evidence of the long-term metabolic effects of NNS exposure during gestation, infancy, and childhood. Further research is needed to inform recommendations for the use of NNSs in this sensitive population.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».