Dietary carbohydrate and the risk of type 2 diabetes: an updated systematic review and dose–response meta-analysis of prospective cohort studies
Notice bibliographique
Résumé
Abstract We did this study to clarify the association between carbohydrate intake and the risk of type 2 diabetes (T2D) and potential effect modification by geographical location. PubMed, Scopus and Web of Science were searched to find prospective cohort studies of dietary carbohydrate intake and T2D risk. A random-effects dose–response meta-analysis was performed to calculate the summary hazard ratios (HRs) and 95%CIs. The quality of cohort studies and the certainty of evidence was rated using the Newcastle–Ottawa Scale and GRADE tool, respectively. Eighteen prospective cohort studies with 29,229 cases among 607,882 participants were included. Thirteen studies were rated to have high quality, and five as moderate quality. The HR for the highest compared with the lowest category of carbohydrate intake was 1.02 (95%CI: 0.91, 1.15; I 2 = 67%, GRADE = low certainty). The HRs were 0.93 (95%CI: 0.82, 1.05; I 2 = 58%, n = 7) and 1.26 (95%CI: 1.11, 1.44; I 2 = 6%, n = 6) in Western and Asian countries, respectively. Dose–response analysis indicated a J shaped association, with the lowest risk at 50% carbohydrate intake (HR 50% : 0.95, 95%CI: 0.90, 0.99) and with risk increasing significantly at 70% carbohydrate intake (HR 70% : 1.18, 95%CI: 1.03, 1.35). There was no association between low carbohydrate diet score and the risk of T2D (HR: 1.14, 95%CI: 0.89, 1.47; I 2 = 90%, n = 5). Carbohydrate intake within the recommended 45–65% of calorie intake was not associated with an increased risk of T2D. Carbohydrate intake more than 70% calorie intake might be associated with a higher risk.
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 | 0,018 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».