The burden of dietary risk factors in the Nordic and Baltic countries: a systematic analysis for the Global Burden of Disease Study 2023
Notice bibliographique
Résumé
Background: Detailed knowledge about the disease burden from unhealthy diet in Nordic and Baltic countries is lacking. This study quantifies and compares deaths and disability-adjusted life-years (DALYs) from dietary risks in these countries. Methods: Data from the Global Burden of Disease study 2023 (GBD 2023) was used. Attributable disease burden from 15 dietary risks was analysed using the comparative risk assessment framework. Steps included: (1) estimating dietary intake; (2) assessing relative risks of dietary factors on disease endpoints; (3) determining theoretical minimum risk exposure levels (TMREL); and (4) estimating dietary risk-attributable disease burden as numbers and age-standardised rates (ASR) of deaths and DALYs. Findings: Across the Nordic and Baltic countries (total population = 34,064,020), dietary risks resulted in 38,450 attributed deaths (95% uncertainty interval 10,749-59,386) and 735,284 DALYs (242,417-1,06,638) in 2023. Leading dietary risks included high intake of processed meat and low intake of fruits and whole grains. Dietary risks accounted for 24.9% of cardiovascular disease burden (5.0-37.6), 29.6% of diabetes and kidney disease burden (18.6-40.0), and 7.8% of neoplasm burden (2.9-12.1), with higher burden in the Baltic countries and Greenland than in the Nordic countries. Interpretation: A substantial disease burden can be attributed to dietary risks in the Nordic and Baltic countries. Knowledge about the impact from unhealthy diet can inform targeted public health policies. Funding: Gates Foundation and Norwegian Institute of Public Health.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».