Is Eating a Greater Diversity of Foods Associated with Lower Incidence of Type 2 Diabetes?: Prospective Analysis of the EPIC-InterAct Case-Cohort Study
Notice bibliographique
Résumé
Healthy eating includes a diverse diet as this ensures adequate amounts of various nutrients for different metabolic pathways. Dietary diversity may also improve survival and promote metabolic health. However, the impact of dietary diversity on type 2 diabetes (T2D) in heterogenous populations is unknown. We aimed to examine whether greater diversity in total diet and within food groups was related to T2D incidence in multi-country populations. We evaluated baseline (1991-1998) self-reported diet data from 23,649 participants (including 10,363 incident events of T2D) from 8 European countries in the EPIC-InterAct study. Incident T2D by 2007 was verified with multiple sources, including objective records in each participating center. We constructed multiple scores for dietary diversity to assess: diversity between food groups (DDS-total5) (range: 0 to 5), and diversity of subtypes of vegetables (DDS-veg) (0 to 4), meats (DDS-meat) (0 to 6), animal protein (DDS-proA) (0 to 8) and plant protein (DDS-proP) (0 to 5). We fitted Prentice-weighted Cox regression to estimate hazard ratios (HR) and 95% confidence intervals (95% CI) by country and meta-analyzed the country-specific estimates. In multivariable-adjusted models, we found a significant association between total dietary diversity (all 5 food groups versus 3 or fewer) and incident T2D (HR 0.86 [95% CI: 0.75–0.98]). Similarly, within the vegetable group and within plant protein group, highest diversity scores were significantly inversely associated with incident T2D (0.90 [0.83–0.98] and 0.78 [0.65–0.93], respectively) compared to lowest scores. Both vegetable diversity and plant-protein diversity were robust to additional statistical adjustment, including food quantity, ratio of saturated to unsaturated fatty acids, prevalent non-communicable diseases and reproductive history. Conversely, greater diversity of animal-protein subtypes was associated with higher T2D incidence, in particular after adjusting for prevalent diseases (1.39 [1.21-1.59]). This multi-country case-cohort study supports the consumption of diets comprising all 5 food groups as well as diversity of vegetable and plant-protein as a strategy to help prevent diabetes among a European population. HM is funded by a Canadian Institutes of Health Research Vanier Scholarship.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».