MétaCan
Menu
Retour à la cohorte
Enregistrement W4297222912 · doi:10.3390/nu14193986

Effect of Important Food Sources of Fructose-Containing Sugars on Inflammatory Biomarkers: A Systematic Review and Meta-Analysis of Controlled Feeding Trials

2022· review· en· W4297222912 sur OpenAlexafffund
Xinye Qi, Laura Chiavaroli, Danielle Lee, Sabrina Ayoub‐Charette, Tauseef Khan, Fei Au‐Yeung, Amna Ahmed, Annette Cheung, Qi Liu, Sonia Blanco Mejía, Vivian L. Choo, Russell J. de Souza, Thomas M.S. Wolever, Lawrence A. Leiter, Cyril W.C. Kendall, David J.A. Jenkins, John L. Sievenpiper

Notice bibliographique

RevueNutrients · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueDiet, Metabolism, and Disease
Établissements canadiensMcMaster UniversityGlycemic Index LaboratoriesUniversity of TorontoHamilton Health SciencesImpactUniversity of SaskatchewanPopulation Health Research InstituteSt. Michael's Hospital
Organismes subventionnairesInstitute of Nutrition, Metabolism and DiabetesCanadian Institutes of Health ResearchMitacsGovernment of CanadaDiabetes CanadaCanadian Diabetes Association
Mots-clésFructoseMeta-analysisSugarFood scienceSystematic reviewHigh-fructose corn syrupMedicineBiotechnologyBiologyMEDLINEBiochemistryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Fructose-containing sugars as sugar-sweetened beverages (SSBs) may increase inflammatory biomarkers. Whether this effect is mediated by the food matrix at different levels of energy is unknown. To investigate the role of food source and energy, we conducted a systematic review and meta-analysis of controlled trials on the effect of different food sources of fructose-containing sugars on inflammatory markers at different levels of energy control. Methods: MEDLINE, Embase, and the Cochrane Library were searched through March 2022 for controlled feeding trials ≥ 7 days. Four trial designs were prespecified by energy control: substitution (energy matched replacement of sugars); addition (excess energy from sugars added to diets); subtraction (energy from sugars subtracted from diets); and ad libitum (energy from sugars freely replaced). The primary outcome was C-reactive protein (CRP). Secondary outcomes were tumour necrosis factor-alpha (TNF-α) and interleukin-6 (IL-6). Independent reviewers extracted data and assessed risk of bias. GRADE assessed certainty of evidence. Results: We identified 64 controlled trials (91 trial comparisons, n = 4094) assessing 12 food sources (SSB; sweetened dairy; sweetened dairy alternative [soy]; 100% fruit juice; fruit; dried fruit; mixed fruit forms; sweetened cereal grains and bars; sweets and desserts; added nutritive [caloric] sweetener; mixed sources [with SSBs]; and mixed sources [without SSBs]) at 4 levels of energy control over a median 6-weeks in predominantly healthy mixed weight or overweight/obese adults. Total fructose-containing sugars decreased CRP in addition trials and had no effect in substitution, subtraction or ad libitum trials. No effect was observed on other outcomes at any level of energy control. There was evidence of interaction/influence by food source: substitution trials (sweetened dairy alternative (soy) and 100% fruit juice decreased, and mixed sources (with SSBs) increased CRP); and addition trials (fruit decreased CRP and TNF-α; sweets and desserts (dark chocolate) decreased IL-6). The certainty of evidence was moderate-to-low for the majority of analyses. Conclusions: Food source appears to mediate the effect of fructose-containing sugars on inflammatory markers over the short-to-medium term. The evidence provides good indication that mixed sources that contain SSBs increase CRP, while most other food sources have no effect with some sources (fruit, 100% fruit juice, sweetened soy beverage or dark chocolate) showing decreases, which may be dependent on energy control. Clinicaltrials.gov: (NCT02716870).

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,018
score de la tête « metaresearch » (Gemma)0,049
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,095

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,049
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0240,034
Bibliométrie0,0070,008
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,093
Tête enseignante GPT0,377
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNutrientsMême sujetDiet, Metabolism, and DiseaseTravaux en français237 207