Who consumes ultra-processed food? A systematic review of sociodemographic determinants of ultra-processed food consumption from nationally representative samples
Notice bibliographique
Résumé
Ultra-processed food (UPF) intake is associated with increased non-communicable disease risks. However, systematic reports on sociodemographic predictors of UPF intake are lacking. This review aimed to understand UPF consumption based on sociodemographic factors, using nationally representative cohorts. The systematic review was pre-registered (PROSPERO:CRD42022360199), following PRISMA guidelines. PubMed/MEDLINE searches (‘ultra-processed/ultraprocessed’ and ‘ultra-processing/ultraprocessing’) until 7 September 2022 retrieved 1131 results. Inclusion criteria included: observational, nationally representative adult samples, in English, in peer-reviewed journals, assessing the association between sociodemographics and individual-level UPF intake defined by the NOVA classification. Exclusion criteria included: not nationally representative, no assessment of sociodemographics and individual-level UPF intake defined by NOVA. Risk of bias was assessed using the Newcastle–Ottawa Scale (NOS). Fifty-five papers were included, spanning thirty-two countries. All thirteen sociodemographic variables identified were significantly associated with UPF intake in one or more studies. Significant differences in UPF intake were seen across age, race/ethnicity, rural/urbanisation, food insecurity, income and region, with up to 10–20% differences in UPF intake (% total energy). Higher UPF intakes were associated with younger age, urbanisation and being unmarried, single, separated or divorced. Education, income and socioeconomic status showed varying associations, depending on country. Multivariate analyses indicated that associations were independent of other sociodemographics. Household status and gender were generally not associated with UPF intake. NOS averaged 5·7/10. Several characteristics are independently associated with high UPF intake, indicating large sociodemographic variation in non-communicable disease risk. These findings highlight significant public health inequalities associated with UPF intake, and the urgent need for policy action to minimise social injustice-related health inequalities.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,008 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».