Effects of food items and related nutrients on metabolic syndrome using Bayesian multilevel modelling using the Tehran Lipid and Glucose Study (TLGS): a cohort study
Notice bibliographique
Résumé
Objectives Diet and nutrition might play an important role in the aetiology of metabolic syndrome (MetS). Most studies that examine the effects of food intake on MetS have used conventional statistical analyses which usually investigate only a limited number of food items and are subject to sparse data bias. This study was undertaken with the goal of investigating the concurrent effect of numerous food items and related nutrients on the incidence of MetS using Bayesian multilevel modelling which can control for sparse data bias. Design Prospective cohort study. Setting This prospective study was a subcohort of the Tehran Lipid and Glucose Study. We analysed dietary intake as well as pertinent covariates for cohort members in the fourth (2008–2011) and fifth (2011–2014) follow-up examinations. We fitted Bayesian multilevel model and compared the results with two logistic regression models: (1) full model which included all variables and (2) reduced model through backward selection of dietary variables. Participants 3616 healthy Iranian adults, aged ≥20 years. Primary and secondary outcome measures Incident cases of MetS. Results Bayesian multilevel approach produced results that were more precise and biologically plausible compared with conventional logistic regression models. The OR and 95% confidence limits for the effects of the four foods comparing the Bayesian multilevel with the full conventional model were as follows: (1) noodle soup (1.20 (0.67 to 2.14) vs 1.91 (0.65 to 5.64)), (2) beans (0.96 (0.5 to 1.85) vs 0.55 (0.03 to 11.41)), (3) turnip (1.23 (0.68 to 2.23) vs 2.48 (0.82 to 7.52)) and (4) eggplant (1.01 (0.51 to 2.00) vs 1 09 396 (0.152×10 –6 to 768×10 12 )). For most food items, the Bayesian multilevel analysis gave narrower confidence limits than both logistic regression models, and hence provided the highest precision. Conclusions This study demonstrates that conventional regression methods do not perform well and might even be biased when assessing highly correlated exposures such as food items in dietary epidemiological studies. Despite the complexity of the Bayesian multilevel models and their inherent assumptions, this approach performs superior to conventional statistical models in studies that examine multiple nutritional exposures that are highly correlated.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».