Nutrition and Cancer Prevention: Why is the Evidence Lost in Translation?
Notice bibliographique
Résumé
With the high burden of cancer worldwide, primary prevention has been identified as a key cancer control strategy to reduce this burden. Diet and nutrition are important modifiable factors that may alter the risk of developing cancer, because several dietary components including alcohol consumption, fruit and vegetable intake, and dietary fiber have been shown to significantly impact cancer risk. Consequently, a number of organizations have developed cancer prevention guidelines that highlight the importance of nutrition (and related factors including body size and physical activity) to reduce the risk of cancer. However, there are barriers to the uptake of these guidelines, particularly with respect to diet and nutrition including awareness, communication, and other factors that influence eating behavior. Improved knowledge translation (KT) of recommendations may help facilitate uptake. The purposes of this narrative review are: 1) to examine issues and challenges related to KT of diet and nutrition evidence in the context of cancer prevention, including public awareness and attitudes towards cancer prevention, engagement in cancer prevention strategies, and effects of KT on diet-cancer preventive behaviors; 2) to discuss examples of effective and ineffective KT of diet and nutrition evidence; and 3) to provide recommendations for improving KT to help move the field of diet, nutrition, and cancer prevention forward. Evidence shows that adherence to nutrition recommendations for cancer prevention significantly reduces the risk of cancer; however, engagement in nutrition-based preventative behaviors is low. Skepticism and confusion around evidence linking diet and nutrition with cancer may arise, in part, through ineffective media KT; the primary source of health information for many people. Simple, tailored, targeted KT communication strategies aimed at increasing the general public's awareness, attitudes, and engagement in cancer preventive behavior should be emphasized to encourage cancer control.
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 | 0,124 | 0,473 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,011 |
| Communication savante | 0,017 | 0,028 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,013 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».