Does Eating More Variety of Fruits and Vegetables Reduce Risk of Cancer? Findings from a Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Specific food groups, particularly fruits and vegetables, have been shown to reduce the risk of some cancers. However, cancer reduction from greater variety within these food groups is under-studied. This study aimed to evaluate the evidence on the relationship between greater variety, especially within fruits and vegetables, and incident cancer. A systematic search of recent prospective studies was conducted in PubMed, Scopus, Web of Science, supplemented by hand-searching, and appraised for quality. Summary risk ratios (RRs) and 95% confidence intervals were estimated using fixed- and random-effects models for high vs. low intake categories and for linear associations; Cochrane Q test detected sources of heterogeneity among included studies. Total sample size was 2285,720 with 9420 cases of cancers in 5 included studies. All were assessed as high quality and 4 provided 7 risk estimates for meta-analysis. The risk of all cancers was not associated with high vs. low variety of both fruit and vegetable items, fruits, vegetables, and subtypes of vegetable items. Studies adjusting for BMI showed an inverse association for high variety of vegetable subgroups (RR 0.80, 95% CI: 0.68, 0.95). Risk of stomach cancer or rectal cancer increased with high variety of fruit and vegetable, or fruit variety. However, lung cancer risk reduced with high vegetable subgroup variety and, in men only, colon cancer risk reduced with high variety of all foods across 5 food groups. Although no dose-response was found between fruits and/or vegetables variety and risk of all cancers, the risk of esophageal squamous cancer significantly decreased with two new fruit, or fruit and vegetable, items by 24% and 12%, respectively. We found that only higher variety of vegetables subgroups was linked to lower risk of cancer, particularly lung. Total diet variety lowered men's risk of colon cancer. None.
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 | 0,015 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,041 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».