Adherence to Food-Based Dietary Guidelines: A Systemic Review of High-Income and Low- and Middle-Income Countries
Notice bibliographique
Résumé
Research comparing the adherence to food-based dietary guidelines (FBDGs) across countries with different socio-economic status is lacking, which may be a concern for developing nutrition policies. The aim was to report on the adherence to FBDGs in high-income (HIC) and low-and-middle-income countries (LMIC). A systematic review with searches in six databases was performed up to June 2020. English language articles were included if they investigated a population of healthy children and adults (7-65 years), using an observational or experimental design evaluating adherence to national FBDGs. Findings indicate that almost 40% of populations in both HIC and LMIC do not adhere to their national FBDGs. Fruit and vegetables (FV) were most adhered to and the prevalence of adhering FV guidelines was between 7% to 67.3%. HIC have higher consumption of discretionary foods, while results were mixed for LMIC. Grains and dairy were consumed below recommendations in both HIC and LMIC. Consumption of animal proteins (>30%), particularly red meat, exceeded the recommendations. Individuals from HIC and LMIC may be falling short of at least one dietary recommendation from their country's guidelines. Future health policies, behavioral-change strategies, and dietary guidelines may consider these results in their development.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 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 ».