MétaCan
Menu
← Retour à la cohorte
Enregistrement W4411378015 · doi:10.3390/nu17122020

Maternal Diet Quality and Multivitamin Intake During Pregnancy Interact in the Association with Offspring Neurodevelopment at 2 Years of Age

2025· article· en· W4411378015 sur OpenAlexafffundabout
Yamei Yu, Han Liu, Cindy Feng, Jean R. Séguin, Isabelle Hardy, Wenguang Sun, Tim Ramsay, Julian Little, Beth K. Potter, Marie‐Noëlle Simard, Gina Muckle, Andrea A. N. MacLeod, William D. Fraser, Lise Dubois

Notice bibliographique

RevueNutrients · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueBirth, Development, and Health
Établissements canadiensUniversité de SherbrookeUniversity of AlbertaUniversité de MontréalUniversité LavalDalhousie UniversityUniversity of Ottawa
Organismes subventionnairesCanadian Institutes of Health ResearchNational Natural Science Foundation of China
Mots-clésMultivitaminOffspringPregnancyMedicinePhysiologyObstetricsBiologyEndocrinology

Résumé

récupéré en direct d'OpenAlex

Objective: To comprehensively evaluate the interaction between diet quality and multivitamin intake during pregnancy on offspring neurodevelopment. Methods: This analysis was grounded in mother-child dyads from the 3D Cohort Study in Quebec, Canada. Among the 2366 participants initially enrolled in the 3D study, 1535 women successfully completed the 3-day food record during 20–24 weeks of gestation. A Canadian adaptation of the Healthy Eating Index (HEI-C) 2010 was used to quantify diet quality. The total HEI-C score was dichotomized into low and high diet quality by median split. Cognitive and motor development in childhood were assessed using the Bayley Scales of Infant and Toddler Development, Third Edition (Bayley-III). Language abilities were measured using the toddler short-form version of the MacArthur–Bates Communicative Development Inventories (MCDI) questionnaire, administered in either English or French. After excluding participants with missing covariate data, cognitive, motor, and language development scores at 2 years of age were available for 1066, 1040, and 981 children, respectively. Multiple linear regression models were employed to calculate adjusted effect estimates. The interaction on an additive scale was assessed by incorporating a product term into the linear regression model. Results: Statistically significant interactions were detected between diet quality and multivitamin intake in relation to the cognitive and language development outcomes of the offspring (interaction p-values were 0.018 and 0.023, respectively). The lowest cognitive and language scores were observed in the group of women who neither took multivitamins nor maintained a high-quality diet. Among women not taking multivitamins, a high-quality diet was associated with improved offspring cognitive and language scores (mean difference [95% CI] = 4.2 [0.1, 8.2], p = 0.04; and 11.3 [3.1, 19.5], p = 0.01, respectively). However, among women taking multivitamins, no such associations were identified. Conversely, in participants with a low-quality diet, multivitamin intake was associated with a 3.0-point increase in cognitive composite scores (95% CI: 0.3, 5.8, p = 0.03), but this was not the case for those with a high-quality diet. No statistically significant interactions were observed between maternal diet quality and multivitamin intake for motor development outcomes. Conclusions: Adequate nutritional supply during pregnancy, achieved either through a high-quality diet or multivitamin supplementation, is fundamental for the neurodevelopment of children.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,133
Score d'incertitude au seuil0,264

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,024
Tête enseignante GPT0,305
Écart entre enseignants0,281 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNutrients→Même sujetBirth, Development, and Health→Travaux en français237 207→