Canadian Dietary Intakes Assessed by Nutrient Profiling Models and Association with Mortality and Cardiovascular Disease
Notice bibliographique
Résumé
Purpose: Nutrient profiling (NP) ranks foods according to nutritional composition and underpins policies (e.g., front-of-package (FOP) labelling). This study aimed to evaluate Canadian adults’ dietary intakes using proposed Canadian FOP “high-in” labelling thresholds and international NP models (i.e., Ofcom, FSANZ, and Nutri-Score) and examine the association between intakes using international NP models and all-cause mortality and cardiovascular disease (CVD). Methods: Intakes from the Canadian Community Health Survey-Nutrition (CCHS-Nutrition) 2004 and 2015 were given NP scores and assessed against FOP thresholds. CCHS-Nutrition 2004 was linked with death records (Canadian Vital Statistics Database, n = 6767) and CVD incidence and mortality (hospital Discharge Abstract Database, n = 6420) until December 2017. Results: Foods that would require FOP labels, should there be such regulation in Canada, contributed 38% of calories. Association between NP scores and mortality was significant for Ofcom, FSANZ, and Nutri-Score (hazard ratio (HR) in highest quintile (lowest quality): 1.73, 95%CI [1.20–2.49], 1.59[1.15–2.21], and 1.75[1.18–2.59], respectively), and for CVD incidence, among males (HR in highest quintile: 2.11[1.15–3.89], 1.74[1.07–2.84], and 2.29[1.24–4.24], respectively). Conclusions: Canadians had moderately healthy intakes. NP systems could discriminate between low and high dietary quality such that adults with the lowest diet quality were more likely to experience all-cause mortality and CVD events (for males).
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».