Abstract P053: The Frequency of High Glycemic Load Meals is Predictive of Cardiovascular Risk Factors in Children at Risk for Obesity After 2 Years
Notice bibliographique
Résumé
Introduction: Consuming a daily diet of high glycemic load (GL) carbohydrates has potential long-term effects on obesity and cardiovascular health. However, it is possible that the GL of certain meals (breakfast, lunch and supper) have different effects. Few studies have examined the effect of meal-specific GL and frequency of high GL meals on adiposity and cardiovascular health in children. We hypothesized that the number of high GL meals per day, and secondarily, the meal-specific GL, would predict cardiovascular risk factors in children after two years of follow-up. Methods: We used data from the QUALITY cohort which recruited 630 children, ages 8-10 years at baseline with at least one obese parent. Three separate 24-hour dietary recalls were administered by a dietitian at baseline and individual meal-specific GL scores were calculated using the International table of GI. CV risk factors measured at 2 years of follow-up included continuous values of BMI z-score, percent fat mass, triglycerides, LDL and HDL cholesterol, and systolic (SBP) and diastolic (DBP) blood pressure obtained through direct measurement (blood pressure, blood lipids, anthropometrics) or questionnaires (socio-economic characteristics). Linear regressions between meal-specific GL categorized as high ( 2 33) vs. low (<33) and CV risk factors were estimated, adjusting for important confounders, including underreporting, as well as anthropometric, socio-economic and dietary factors. Secondary analysis consisted of linear regression with number of high GL meals as an ordinal exposure variable. Results: Mean age at baseline was 9.6 years, with 33% of children overweight or obese. Breakfast, lunch and supper glycemic load were positively associated with each other. A higher number of high GL meals was positively associated with BMI z-score (β=0.18, 95%CI: 0.06, 0.30), percent fat mass (β=1.74, 95%CI: 0.52, 2.96) and triglycerides (β=0.08, 95%CI: 0.03, 0.14) and negatively associated with HDL (β=-0.04, 95%CI: -0.07, -0.01). Our secondary analysis revealed that High breakfast GL was positively associated with increased triglycerides (β=0.14, 95%CI: 0.05, 0.23) after 2 years but not adiposity, HDL, LDL and blood pressure. High GL lunch (β=0.27, 95%CI: 0.08, 0.46) and supper (β=0.22, 95%CI: 0.02, 0.41) were associated with higher BMI z-score after 2 years. Conclusion: In conclusion, consuming more than one high GL meal per day is associated with greater BMI and unhealthy lipid profile after 2 years.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».