Food Insecurity Negatively Impacts Gluten Avoidance and Nutritional Intake in Patients With Celiac Disease
Notice bibliographique
Résumé
BACKGROUND: Food insecurity is a major public health challenge. For patients with celiac disease (CeD), food insecurity may be particularly detrimental as it threatens the cornerstone of their treatment: adoption of a gluten-free diet (GFD). We aimed to characterize the prevalence of food insecurity in patients with CeD and evaluate its impact on GFD adoption and nutritional intake. METHODS: We analyzed data from patients with CeD participating in the US National Health and Nutrition Examination Survey (NHANES) from 2009 to 2014. Food insecurity was defined using the US Department of Agriculture 18-Item Standard Food Security Survey Module. Survey-weighted logistic regression was used to assess differences in demographic characteristics of CeD patients living with food insecurity and the impact of food security on GFD adoption. Multivariable survey-weighted linear regression was used to evaluate the effect of food insecurity on nutritional intake of macronutrients and micronutrients. RESULTS: Overall, 15.9% (95% confidence interval: 10.6%, 23.1%) of patients with CeD in the United States [weighted N=2.9 million (95% confidence interval: 2.2, 3.5 million)] are food insecure. Food insecure patients with CeD were disproportionately younger, poorly educated, nonwhite, living in poverty, and were significantly less likely to adopt a GFD (24.1% vs. 67.9%, P =0.02). Food insecurity was associated with significantly lower consumption of protein, carbohydrates, fat, and most vitamins and minerals. CONCLUSIONS: One in 6 patients with CeD are food insecure, negatively impacting GFD adoption and the ability to meet recommended daily intake of most micronutrients. Less than one quarter of food insecure CeD patients adhere to a GFD.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».