The burden of disease and economic impact of sugar-sweetened beverages’ consumption in Argentina: A modeling study
Notice bibliographique
Résumé
BACKGROUND: Approximately two-thirds of Argentine adults are overweight or obese, and 11% have diabetes. Over the last two decades, all population groups have increased their consumption of ultra-processed foods and sugar-sweetened beverages (SSB). We aimed to estimate the disease burden-deaths, events, and costs to the health system-attributed to SSB consumption in Argentina. METHODS: We used a comparative risk assessment framework to estimate the health and economic impacts that would be avoided in a scenario without sugar-sweetened beverage (SSB) consumption. We calculated the direct effects on diabetes, cardiovascular disease, and BMI, and then estimated the effects of BMI on disease incidence. Finally, we applied the population attributable factor to calculate the health and economic burden avoided in Argentina in 2020. RESULTS: Our model estimated that about 4,425 deaths, 110,000 healthy life years lost to premature death and disability, more than 520,000 cases of overweight and obesity in adults, and 774,000 in children and adolescents would be attributed to SSB Consumption in Argentina. This disease burden corresponds to 23% of type-2 diabetes cases and other significant proportions of cardiovascular disease and cancer. The overweight and obesity costs attributable to SSB totaled approximately $47 million in adults and $15 million in children and adolescents. CONCLUSION: A significant number of disease cases, deaths, and health care costs could be attributed to SSB consumption in Argentina. Implementing measures to reduce the sugar content in beverages is a pending debt for the country and could lead to measurable improvements in population health, especially among children and adolescents.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».