MétaCan
Menu
Retour à la cohorte
Enregistrement W4406863719 · doi:10.1186/s12916-025-03878-6

Changes in the critical nutrient content of packaged foods and beverages after the full implementation of the Chilean Food Labelling and Advertising Law: a repeated cross-sectional study

2025· article· en· W4406863719 sur OpenAlexfundno aff
Natalia Rebolledo, Pedro Ferrer‐Rosende, Marcela Reyes, Lindsey Smith Taillie, Camila Corvalán

Notice bibliographique

RevueBMC Medicine · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensnon disponible
Organismes subventionnairesBloomberg PhilanthropiesUniversity of North Carolina at Chapel HillFondo Nacional de Desarrollo Científico y TecnológicoAgencia Nacional de Investigación y DesarrolloUniversidad de ChileInternational Development Research Centre
Mots-clésMedicineFood scienceNutrientFood labellingLabellingCalorieFood labelingChemistry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Chile's Food Labelling Law was implemented in three phases with increasingly stricter limits. After initial implementation, sugars and sodium decreased in packaged foods, with no significant changes for saturated fats. It is unclear whether full implementation is linked with further reformulation or if producers reversed changes due to consumers' preferences. This study examines changes in the proportion of "high in" products and the nutrient content of packaged foods during the Law's three phases. METHODS: This repeated cross-sectional study included the best-selling packaged foods and beverages during 2015-2020. We analyzed the proportion of products classified as "high in" critical nutrients using the final phase cutoffs and examined changes in the content of calories, sugars, sodium, and saturated fats in the three phases. To assess the changes in proportions, we used Firth's bias-reduced logistic regression models and the Cochran-Armitage test for trends. Quantile regression was used to evaluate changes in nutrient content. RESULTS: The proportion of "high in" products decreased from 70.8 to 52.5% after the final phase (p < 0.001). The proportion of "high in" sugars products decreased across all sweet food and beverage groups (p < 0.001), except for candies (- 4.5 percentage points (pp), p = 0.09). The largest reductions occurred in sweet spreads and breakfast cereals (- 44.3 and - 40.4 pp, respectively, p < 0.001). For the proportion of "high in" sodium, reductions occurred in all savory food groups (p < 0.001), except cheeses and ready-to-eat meals (p < 0.24), with the largest decreases in savory baked products and non-sausage meat products (- 40.4 and - 38.9 pp, respectively, p < 0.001). Reductions in "high in" saturated fats and energy were less consistent, with the largest decreases in nuts and snacks and savory spreads (- 22.2 and - 20.0 pp, respectively, p < 0.001) and savory baked products and breakfast cereals (- 32.8 and - 25.7 pp, respectively, p < 0.001), respectively. After full implementation, most sweet categories showed left shifts in sugars distribution, except for candies. Similarly, most savory categories showed left shifts for sodium, except savory spreads and ready-to-eat meals. Changes increased as regulation limits tightened (p for trend < 0.001). CONCLUSIONS: After fully implementing Chile's law, the proportion of "high in" products and the content of critical nutrients decreased in all food and beverage categories. The largest changes occurred for sodium in savory foods and sugars in sweet foods/beverages. Stricter regulatory limits were associated with decreases in critical nutrient content over time.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,295

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,363
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC MedicineMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207