Nutrient Profiling Models in Low- and Middle-Income Countries Considering Local Nutritional Challenges: A Systematic Review
Notice bibliographique
Résumé
Micronutrient deficiencies, undernutrition, and overweight/obesity are prevalent in low- and middle-income countries (LMICs). Nutrient profiling models (NPMs), initially developed to help reduce the prevalence of diet-related chronic diseases in Western countries, could be one solution to promote nutrient-dense foods in LMICs. This study reviewed government-endorsed NPMs implemented in LMICs and assessed their key components in relation to country-specific nutritional challenges. The peer-reviewed and grey literature were systematically reviewed to identify government-endorsed NPMs implemented in LMICs to promote healthier choices among adults. Their key metrics, including scope, components, units, and validation method, were extracted. The prevalence of undernutrition; overweight/obesity; and iron, vitamin A, and iodine deficiencies were extracted from the Global Health Observatory and the Global Burden of Disease study. NPMs have been implemented in 16 LMICs to encourage healthier choices, mostly through front-of-pack labeling schemes. Warning Label schemes are used to strongly discourage the consumption of energy-dense products in countries where overnutrition affects most of the population, such as Latin American LMICs. A "Keyhole" front-of-pack labeling scheme was implemented only in North Macedonia. It limits sugar, fat, and salt while promoting fibers, fruits, vegetables, nuts, and legumes to prevent overnutrition and diet-related chronic diseases. "Choices" schemes that focus on positive messages have been implemented in Southeast Asia and Zambia where over- and undernutrition coexist. "Choices" criteria encourage the consumption of category-specific vitamins and minerals, in addition to advocating limiting certain nutrients. In LMICs, NPMs focus on discouraging the consumption of sugar, fat, and salt. Additionally, NPMs promote category-specific micronutrients in countries where undernutrition remains prevalent or food components associated with a reduced risk of diet-related chronic diseases, including whole grains and fibers, in countries where overnutrition is the main nutrition-related public health issue. This study was registered at PROSPERO as CRD42023468807.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».