Defining “High-In” Saturated Fat, Sugar, and Sodium to Help Inform Front-of-Pack Labeling Efforts for Packaged Foods and Beverages in the United States
Notice bibliographique
Résumé
Background: To help consumers make healthier choices, the US Food and Drug Administration (FDA) has been charged with developing a front-of-package label (FOPL) to appear on US packaged foods and beverages. One option being explored is the use of “high-in” FOPLs for added sugar, sodium, and saturated fat using a threshold of ≥20% of the recommended daily value (%DV) per portion/serving size to define “high-in”. While research has addressed what FOPL designs are most effective at visually communicating “high-in”, less attention has been paid to the nutrient profile model (NPM) used to decide which products should receive these labels. In addition, several established regional NPMs already exist that identify products that are high in nutrients of concern, but it is unclear how these compare to the FDA’s %DV approach. Methods: We used a dataset of 51,809 US products from Mintel’s Global New Products Database to examine how the FDA’s current definition of “high-in” compares to three established regional NPMs: the Canadian NPM, the Pan American Health Organization (PAHO) NPM, and Chile’s NPM. Results: Overall agreement between the four NPMs was 51% for foods and 72% for beverages, with highest agreement in categories such as sweetened sodas (87%), and lowest agreement in categories such as bread (14%) and salty snacks (29%). The Canadian NPM showed the highest agreement to the FDA “high-in” criteria while the Chilean and PAHO models had lower agreement. For many food categories, the FDA’s definition of “high-in” would require the fewest products to carry a “high-in” label. This issue was particularly pronounced in categories that tend to be served in small portions (e.g., salty snacks, bars), but disappeared or reversed for categories that are served in larger portions (e.g., frozen and non-frozen main dishes). Conclusions: The NPM chosen has important policy implications for an FOPL system’s ability to identify unhealthy foods and incentivize companies to reformulate products. Based on these results, the FDA should consider using a stronger NPM similar to those used elsewhere in the Americas region when deciding the final thresholds for “high-in” for US packaged foods and beverages.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».