Application of Gaussian graphical models to derive dietary intake networks and association of the identified networks with risk of major chronic diseases in European Prospective Investigation into Cancer and Nutrition-Potsdam Cohort
| dc.contributor.advisor | Boeing, Heiner | |
| dc.contributor.author | Iqbal, Khalid | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Boeing, Heiner | |
| dc.contributor.referee | Busse, Reinhard | |
| dc.date.accepted | 2017-07-25 | |
| dc.date.accessioned | 2017-08-07T07:46:20Z | |
| dc.date.available | 2017-08-07T07:46:20Z | |
| dc.date.issued | 2017 | |
| dc.description.abstract | Dietary pattern analysis is a preferable approach to characterize dietary intake and understand eating behaviors. Existing data reduction methods like principal component analysis (PCA) although identify the similarity patterns of food intake in a population; it does not provide insight into how foods are consumed in relation to each other. Moreover, these methods require several subjective but important decisions during analysis and the identified patterns are often difficult to interpret. Gaussian graphical models (GGM) are a set of powerful exploratory approaches that can identify dietary intake networks resembling dietary pattern, which may be easier to interpret and may reveal important insight into eating patterns. Therefore, aims of the current study were to apply GGM as a novel approach of dietary pattern analysis and investigate association of the identified patterns with risk of major chronic diseases in European Prospective Investigation into Cancer and Nutrition (EPIC)-Potsdam. In this study, dietary intake data from 10,780 men and 16,340 women from EPIC-Potsdam were used to construct dietary intake networks representing dietary patterns. In the first step, GGM were applied to log-transformed intakes of 49 food groups to construct sex-specific dietary intake networks. Semiparametric Gaussian copula graphical models (SGCGM) were used to confirm GGM results. Stability of the networks were assessed using 100 bootstrap samples. In a second step, dietary intake networks were scored, which were used as exposure variable to evaluate its association with risk of major chronic diseases including type 2 diabetes (T2D), myocardial infarction (MI), stroke, cardiovascular diseases (MI and stroke), cancer, cardiometabolic diseases (T2D, MI, and stroke), and overall chronic diseases (T2D, MI, stroke, and cancer). As comparative approach to GGM, Principal Component Analysis (PCA) patterns were recreated and its respective scores were used to evaluate adherence to the patterns and risk of major chronic diseases. Cox-proportional hazard analysis models were used to investigate associations of the patterns’ scores with risk of major chronic diseases. In both sexes, GGM identified one major network, named principal intake network, and several smaller networks. In men, the principal network comprised 12 food groups, which grouped around red meat and cooked vegetables, and several smaller networks including dairy network, sweet food network, fresh fruit & vegetable network, and breakfast cereals network. In women, the principal network consisted of the same food Summary groups as identified in men, with addition of fried potatoes. A major difference between patterns in men and women was the intake relationship between food groups in the identified networks. For example, intake of red meat was related with intakes of five food groups in men but seven food groups in women. CGGM results showed that GGM is a robust approach for patterns identification and bootstrap results revealed that GGM identified networks are stable. In relation to risk of chronic diseases, principal pattern, which included higher intakes of foods like red meat, processed meat, sauce and refined bread and low intakes of whole-grain bread, was positively associated with risk of T2D, cardiometabolic diseases and overall chronic disease in women but not in men. However, a similar pattern identified by PCA was not related with risk of any major chronic disease in both sexes. GGM identified high fat dairy pattern was inversely related to risk of T2D, cardiometabolic diseases, and overall chronic diseases in men; and risk of T2D in women. A similar pattern identified by PCA was also related to lower risk of T2D but only in men. GGM identified fruit & vegetable pattern was inversely related with risk of cardiometabolic diseases in men whereas a similar pattern identified by PCA, in men, was inversely associated with risk of stroke and cardiometabolic diseases. GGM identified breakfast cereal pattern was not related with risk of chronic diseases in both sexes. However, PCA cereal pattern (including more food than GGM’ pattern) was inversely related with risk of T2D, cardiometabolic diseases and overall chronic diseases, in men. PCA also identified a “bread & sausage” pattern in women, which was positively related with risk of T2D, cardiometabolic diseases, and overall chronic diseases. Evaluation of the individual food groups of the networks showed that red meat, processed meat, sauce, and soup were positively and whole grain-bread, raw vegetables, high fat dairy products and muesli were negatively associated with risk of major chronic diseases. In brief, GGM is a complimentary approach of dietary pattern analysis that can provide insight into how foods are consumed in relation to each other in different populations. It identifies easy to interpret patterns, where each food is part of only one specific pattern. These patterns may also be related with risk of chronic diseases and can be used to investigate association of the component food groups with health outcomes. Further studies are required to confirm validity of this approach in other populations. Information related to food intake and risk of chronic diseases revealed from this approach may be useful for dietary recommendations to prevent risk of chronic diseases. | en |
| dc.description.abstract | Ernährungsmusteranalysen sind eine bevorzugte Methode um die Ernährungsaufnahme zu charakterisieren und um das Essverhalten zu verstehen. Existierende Datenreduktionsmethoden wie Hauptkomponentenanalysen (PCA) identifizieren ähnliche Muster der Nahrungsaufnahme. Jedoch sind sie nicht geeignet um zu erkennen, welche Lebensmittel in Verbindung mit anderen konsumiert werden. Darüber hinaus erfordern diese Methoden mehrere subjektive, aber wichtige Entscheidungen während der Analyse und die identifizierten Muster sind nur schwer zu interpretieren. Gaußsche grafische Modelle (GGM) sind leistungsfähige explorative Ansätze, die, als komplementärer Ansatz der Ernährungsmusteranalyse verwendet werden können, um leicht zu interpretierende Muster zu identifizieren, die wichtige Einsichten in Essgewohnheiten offenbaren. Die Ziele dieser Arbeit waren daher Gaußsche grafische Modelle als neue Methode der Ernährungsmusteranalyse anzuwenden und die Assoziationen der identifizierten Muster zum Risiko für schwere chronische Krankheiten in der European Prospective Investigation into Cancer and Nutrition (EPIC)-Potsdam-Studie zu untersuchen. In dieser Studie wurden die Ernährungsdaten von 10,780 Männern und 16,340 Frauen aus EPIC-Potsdam genutzt um daraus Nahrungsmittelnetzwerke zu abzuleiten, die Lebensmittelmuster darstellen. Im ersten Schritt wurden GGM auf die log-transformierten Verzehrsmengen von 49 Lebensmittelgruppen angewendet um geschlechtsspezifische Nahrungsmittelnetzwerke zu bilden. Semiparametrische Gauß-Copula grafische Modelle (SGCGM) wurden genutzt um die Ergebnisse der GGM zu bestätigen. Die Stabilität der Netzwerke wurde mittels 100 Bootstrap-Stichproben bewertet. In einem zweiten Schritt wurden den Nahrungsmittelnetzwerken ein Score zugewiesen, welcher als Expositionsvariable genutzt wurde um die Assoziationen mit schweren chronischen Krankheiten einschließlich Diabetes mellitus Typ 2 (T2D), Herzinfarkt, Schlaganfall, kardiovaskulären Erkrankungen (Herzinfarkt und Schlaganfall), Krebs, kardiometabolischen Erkrankungen (T2D, Herzinfarkt und Schlaganfall) und chronischen Gesamterkrankungen (T2D, Herzinfarkt, Schlaganfall und Krebs). Zum Vergleich mit den GGM-Ergebnissen wurden zudem Muster mittels einer Hauptkomponentenanalyse gebildet und deren Scores genutzt um die Adhärenz zu den Mustern und dem Risiko für schwere chronische Erkrankungen zu bewerten. Proportionale Hazardmodelle nach Cox wurden genutzt um die Assoziationen der Muster-Scores mit Zusammenfassung dem Risiko für schwere chronische Erkrankungen zu untersuchen. In beiden Geschlechtern identifizierte GGM ein Hauptnetz, genannt Haupteinnahme-Netzwerk, und mehrere kleinere Netzwerke. Das Netzwerk für Männer beinhaltete 12 Nahrungsmittelgruppen, welche um rotes Fleisch und gekochtes Gemüse gruppiert sind und einige kleinere Netzwerke wie ein Molkereinetzwerk, süßes Lebensmittelnetzwerk, frisches Obst u. Gemüsenetzwerk und Frühstücksgetreidenetzwerk. Bei den Frauen bestand das Hauptnetzwerk aus den gleichen Nahrungsmittelgruppen, wie bei den Männern sowie Bratkartoffeln. Ein wesentlicher Unterschied zwischen den Mustern bei Männern und Frauen war die Aufnahmebeziehung zwischen Nahrungsmittelgruppen in den identifizierten Netzwerken. Zum Beispiel war die Aufnahme von rotem Fleisch bei Männern mit der Einnahme von fünf Nahrungsmittelgruppen verbunden, aber bei den Frauen mit sieben Nahrungsmittelgruppen. In Bezug auf das Risiko von chronischen Krankheiten war das Hauptmuster, welches eine höhere Aufnahme von Lebensmitteln wie rotem Fleisch, verarbeitetem Fleisch, Sauce und Weißbrot und niedrigen Einnahmen von Vollkornbrot beinhaltete, mit dem Risiko von T2D, kardiometabolischen Erkrankungen und chronischen Gesamterkrankungen bei Frauen assoziiert, aber nicht bei Männern. Jedoch war ein ähnliches Muster, welches mittels PCA identifiziert wurde, nicht mit dem Risiko einer größeren chronischen Erkrankung bei beiden Geschlechtern verbunden. Ein durch GGM identifiziertes Muster, bestehend aus hohem Molkereifettanteil, war invers verbunden mit dem Risiko von T2D, kardiometabolischen Krankheiten und chronischen Gesamterkrankungen bei Männern und dem Risiko von T2D bei Frauen. Ein ähnliches Muster, das durch PCA identifiziert wurde, war auch mit einem niedrigeren Risiko von T2D verbunden, aber nur bei Männern. Ein durch GGM identifiziertes Obst- und Gemüsemuster war invers verbunden mit dem Risiko von kardiometabolischen Erkrankungen bei Männern, während ein ähnliches Muster identifiziert mittels PCA, bei Männern invers assoziiert war mit dem Risiko von Schlaganfall und kardiometabolischen Krankheiten. Ein durch GGM identifiziertes Muster aus Cerealien zum Frühstück war nicht verbunden mit dem Risiko von chronischen Erkrankungen in beiden Geschlechtern. Jedoch ein mittels PCA identifiziertes Cerealien Muster (welches mehr Lebensmittel Zusammenfassung beinhaltete als das GGM Muster) war invers verbunden mit dem Risiko von T2D, kardiometabolischen Erkrankungen und chronischen Gesamterkrankungen bei Männern. Jedoch war das PCA-Getreidemuster (einschließlich mehr Nahrung als das GGM-Muster) umgekehrt mit dem Risiko von T2D, kardiometabolischen Erkrankungen und chronischen Gesamterkrankungen bei Männern assoziiert. PCA identifizierte auch ein "Brot & Wurst" -Muster bei Frauen, welches positiv mit dem Risiko von T2D, kardiometabolischen Erkrankungen und chronischen Gesamterkrankungen verbunden war. Die Bewertung der einzelnen Lebensmittelgruppen in den Netzwerken zeigte, dass rotes Fleisch, verarbeitetes Fleisch, Sauce und Suppe positiv sowie Vollkornbrot, rohes Gemüse, fettreiche Milchprodukte und Müsli negativ mit dem Risiko für schwere chronische Erkrankungen assoziiert waren. Zusammenfassend kann gesagt werden, dass GGM ein vielversprechendes Konzept der Ernährungs-Muster-Analyse darstellt, um zu untersuchen wie Lebensmittel in Beziehung zueinander in verschiedenen Bevölkerungsgruppen konsumiert werden. Es kann leicht zu interpretieren Muster identifizieren, wo jedes Nahrungsmittel Teil von nur einem bestimmten Muster ist. Diese Muster können auch mit dem Risiko von chronischen Krankheiten in Verbindung gebracht werden und können verwendet werden, um die Assoziation von Nahrungsmittelgruppen mit Erkrankungsendpunkten zu untersuchen. Weitere Studien sind erforderlich, um die Gültigkeit dieses Ansatzes in anderen Populationen zu bestätigen. Informationen in Bezug auf die Nahrungsaufnahme und das Risiko von chronischen Krankheiten, die mit diesem Ansatz gewonnen werden, können für Ernährungsempfehlungen nützlich sein, um das Risiko von chronischen Erkrankungen zu senken. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/6558 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-6057 | |
| dc.language.iso | en | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject.ddc | 614 Inzidenz und Prävention von Krankheiten | de |
| dc.subject.other | Gaussian graphical models | en |
| dc.subject.other | dietary patterns | en |
| dc.subject.other | dietary networks | en |
| dc.subject.other | chronic diseases | en |
| dc.subject.other | type 2 diabetes | en |
| dc.subject.other | stroke | en |
| dc.subject.other | Gauß'sche grafische Modelle | de |
| dc.subject.other | Ernährungsmuster | de |
| dc.subject.other | Ernährungsnetzwerke | de |
| dc.subject.other | chronische Krankheit | de |
| dc.subject.other | Typ 2 Diabetes | de |
| dc.subject.other | Schlaganfall | de |
| dc.title | Application of Gaussian graphical models to derive dietary intake networks and association of the identified networks with risk of major chronic diseases in European Prospective Investigation into Cancer and Nutrition-Potsdam Cohort | en |
| dc.title.translated | Anwendung von Gauß'schen graphischen Modellen zur Generierung nahrungsmittelbasierter Netzwerke und deren Assoziationen mit dem Risiko für chronische Erkrankungen in der European Prospective Investigation into Cancer and Nutrition-Potsdam Kohorte | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 7 Wirtschaft und Management::Inst. Technologie und Management (ITM) | de |
| tub.affiliation.faculty | Fak. 7 Wirtschaft und Management | de |
| tub.affiliation.institute | Inst. Technologie und Management (ITM) | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |