Precision nutrition: hype or hope for public health interventions to reduce obesity?
Notice bibliographique
Résumé
High-income countries are experiencing an obesity epidemic that follows a socioeconomic gradient, affecting groups of lower socioeconomic status disproportionately. Recent clinical findings have suggested new perspectives for the prevention and treatment of obesity, using personalized dietary approaches. Precision nutrition (PN), also called personalized nutrition, has been developed to deliver more preventive and practical dietary advice than 'one-size-fits-all' guidelines. With interventions becoming increasingly plausible at a large scale thanks to artificial intelligence and smartphone applications, some have begun to view PN as a novel way to deliver the right dietary intervention to the right population. We argue that large-scale PN, if taken alone, might be of limited interest from a public health perspective. Building on Geoffrey Rose's theory regarding the differences in individual and population causes of disease, we show that large-scale PN can only address some individual causes of obesity (causes of cases). This individual-centred approach is likely to have a small impact on the distribution of obesity at a population level because it ignores the population causes of obesity (causes of incidence). The latter are embedded in the populations' social, cultural, economic and political contexts that make environments obesogenic. Additionally, the most socially privileged groups in the population are the most likely to respond to large-scale PN interventions. This could have the undesirable effect of widening social inequalities in obesity. We caution public health actors that interventions based only on large-scale PN are unlikely, despite current expectations, to improve dietary intake or reduce obesity at a population level.
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 | 0,002 | 0,006 |
| 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 ».