Diet quality and all-cause mortality among US adults, estimated from National Health and Nutrition Examination Survey (NHANES), 2003–2008
Notice bibliographique
Résumé
OBJECTIVE: We assessed the ability of the Prime Diet Quality Score (PDQS) to predict mortality in the US population and compared its predictiveness with that of the Healthy Eating Index-2015 (HEI-2015). DESIGN: PDQS and HEI-2015 scores were derived using two 24-h recalls and converted to quintiles. Mortality data were obtained from the 2015 Public-Use Linked Mortality File. Associations between diet quality and all-cause mortality were evaluated using multivariable Cox proportional hazards models, and predictive performance of the two metrics was compared using a Wald test of equality of coefficients with both scores in a single model. Finally, we evaluated associations between individual metric components and mortality. SETTING: A prospective analysis of the US National Health and Nutrition Examination Survey (NHANES) data. PARTICIPANTS: Five-thousand five hundred and twenty-five participants from three survey cycles (2003-2008) in the NHANES aged 40 years and over. RESULTS: Over the 51 248 person-years of follow-up (mean: 9·2 years), 767 deaths were recorded. In multivariable models, hazard ratios between the highest and lowest quintiles of diet quality scores were 0·70 (95 % CI 0·51, 0·96, Ptrend = 0·03) for the PDQS and 0·77 (95 % CI 0·57, 1·03, Ptrend = 0·20) for the HEI-2015. The PDQS and HEI-2015 were similarly good predictors of total mortality (Pdifference = 0·88). CONCLUSION: Among US adults, better diet quality measured by the PDQS was associated with reduced risk of all-cause mortality. Given that the PDQS is simpler to calculate than the HEI-2015, it should be evaluated further for use as a diet quality metric globally.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».