MétaCan
Menu
Retour à la cohorte
Enregistrement W2943032160 · doi:10.3390/nu11051006

Are Fruit Juices Healthier Than Sugar-Sweetened Beverages? A Review

2019· review· en· W2943032160 sur OpenAlexafffund
Alexandra Pepin, Kimber L. Stanhope, Pascal Imbeault

Notice bibliographique

RevueNutrients · 2019
Typereview
Langueen
DomaineMedicine
ThématiqueDiet, Metabolism, and Disease
Établissements canadiensInstitut du Savoir MontfortMontfort HospitalUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésSugarOverconsumptionFood scienceFruit juiceObesityAdded sugarFree sugarHealth benefitsEnvironmental healthMedicineChemistryBiotechnologyBiologyTraditional medicine

Résumé

récupéré en direct d'OpenAlex

Free sugars overconsumption is associated with an increased prevalence of risk factors for metabolic diseases such as the alteration of the blood lipid levels. Natural fruit juices have a free sugar composition quite similar to that of sugar-sweetened beverages. Thus, could fruit juice consumption lead to the same adverse effects on health as sweetened beverages? We attempted to answer this question by reviewing the available evidence on the health effects of both sugar-sweetened beverages and natural fruit juices. We determined that, despite the similarity of fruits juices to sugar-sweetened beverages in terms of free sugars content, it remains unclear whether they lead to the same metabolic consequences if consumed in equal dose. Important discrepancies between studies, such as type of fruit juice, dose, duration, study design, and measured outcomes, make it impossible to provide evidence-based public recommendations as to whether the consumption of fruit juices alters the blood lipid profile. More randomized controlled trials comparing the metabolic effects of fruit juice and sugar-sweetened beverage consumption are needed to shape accurate public health guidelines on the variety and quantity of free sugars in our diet that would help to prevent the development of obesity and related health problems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0040,003
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,107
Tête enseignante GPT0,400
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations88
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNutrientsMême sujetDiet, Metabolism, and DiseaseTravaux en français237 207