MétaCan
Menu
Retour à la cohorte
Enregistrement W3010817258 · doi:10.15586/jptcp.v27i1.666

A narrative review of the effects of sugar-sweetened beverages on human health: A key global health issue

2020· review· en· W3010817258 sur OpenAlexvenueno aff
Mainul Haque, Judy McKimm, Massimo Sartelli, Nandeeta Samad, Seraj Zohurul Haque, Muhamad Abu Bakar

Notice bibliographique

RevueJournal of Population Therapeutics and Clinical Pharmacology · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueDiet, Metabolism, and Disease
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésKey (lock)SugarNarrative reviewHuman healthNarrativeEnvironmental healthFood sciencePsychologyMedicineChemistryArtComputer scienceLiteratureComputer security

Résumé

récupéré en direct d'OpenAlex

The provision of healthy and safe food is vital for human health, and the addition of unnecessary sugars in foodstuffs is an important global issue, leading to multiple long- and short-term health issues and spiraling costs for individuals and governments alike. The negative effect of excess sugar consumption contributes to adverse health conditions, including obesity, type 2 diabetes, and poor oral health in both high and low resource settings. A key plank of governmental and health promotion bodies' nutritional guidance is to raise public awareness of "hidden" sugars, salt, and fats, such as found in processed foods and sugar-sweetened beverages (SSBs), and guide individuals to reduce their consumption. This rapid narrative review brings together some of the key issues identified in the literature around the consumption of SSBs, including patterns of consumption, the general impact on human health and nutrition, specific effects on oral health and the oral microbiome, and strategies to address over-consumption. The range of long-term adverse effects on health is often misunderstood or unknown by the public. However, some strategies have succeeded in reducing the consumption of SSBs, including public health strategies and interventions and the imposition of taxes or levies, and this article makes recommendations for action.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,911
Score d'incertitude au seuil0,704

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,115
Tête enseignante GPT0,556
Écart entre enseignants0,442 · 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 tête enseignante, 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

Citations45
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Population Therapeutics and Clinical PharmacologyMême sujetDiet, Metabolism, and DiseaseTravaux en français237 207