Ultra-Processed Foods and Food Additives in CKD
Notice bibliographique
Résumé
The term ultra-processed food (UPF) was developed almost two decades ago to define foods which have undergone sophisticated industrial processing. Many of these foods contain added sugars, unhealthy fats, salt, and food additives designed to enhance palatability, extend shelf life, and drive high sales. Owing to these convenient characteristics, the sales and consumption of UPF have consistently increased, with the tendency to replace minimally processed foods in the diet. This shift has led to a decrease in dietary quality and to an increase in the consumption of sugars, unhealthy fats, salt, and food additives, the latter raising concerns about potential toxicity. Therefore, UPF consumption has been associated with increased risk of developing noncommunicable diseases, including CKD, and may have an effect on kidney health in each CKD stage. Primary caregivers should be aware that UPF increases the risk of developing CKD. Providers of secondary and tertiary care should note that UPF contributes to the development of metabolic derangements such as metabolic acidosis, hyperkalemia, hyperphosphatemia, dyslipidemia, and dysbiosis. This review provides a summary of the main adverse effects of UPFs on general health as well as on kidney health. In addition, it gives practical guidance on how to define and assess UPF intake in research and clinical settings, with proposed strategies on how to address UPF consumption in individuals with CKD stages 3-5, aiming at reducing UPF consumption and increasing intake of minimally processed healthier food.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».