SRMA der Wirkung von Sojamilch vs. Kuhmilch auf kardiometabolische Ergebnisse

BEGRÜNDUNG. Milchkonsum hat Assoziationen mit einer verringerten Inzidenz von kardiometabolischen Erkrankungen gezeigt. Mit dem wachsenden Interesse an pflanzlicher Ernährung und den zunehmenden Beweisen für die kardiovaskulären Vorteile einer pflanzlichen Vorwärtsdiät haben sich die nationalen Ernährungsrichtlinien von der Förderung des ausschließlichen täglichen Milchkonsums wegbewegt. Sojamilch, die ernährungsphysiologisch am besten vergleichbare pflanzliche Milchalternative zu Kuhmilch, ist eine häufig konsumierte Quelle für herzgesundes Sojaprotein. Obwohl die vorteilhafte Wirkung von Sojaprotein auf Lipidmarker gut bekannt ist, ist die Auswirkung auf andere kardiometabolische Ergebnisse unklar. Um diese Frage zu beantworten und gesundheitsbezogene Angaben und die Entwicklung von Leitlinien besser zu informieren, werden die Forscher eine systematische Überprüfung und Metaanalyse randomisierter kontrollierter Studien zur Wirkung von Sojaprotein als Sojamilch als Ersatz für Kuhmilch auf verschiedene intermediäre kardiometabolische Mediatoren durchführen.

ZIELE. Durchführung einer systematischen Überprüfung der Wirkung von Sojaprotein als Sojamilch als Ersatz für Kuhmilch auf verschiedene intermediäre kardiometabolische Mediatoren und Bewertung der Beweissicherheit unter Verwendung des Grading of Recommendations Assessment Development and Evaluation (GRADE)-Systems.

DESIGN. Der systematische Review und die Metaanalysen werden gemäß dem Cochrane Handbook for Systematic Reviews of Interventions durchgeführt und gemäß den Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) berichtet.

DATENQUELLEN. Medline, Embase und The Cochrane Central Register of Controlled Trials (Clinical Trials; CENTRAL) werden mit geeigneten Suchbegriffen durchsucht, ergänzt durch manuelle Suche nach Referenzen der eingeschlossenen Studien.

STUDIENAUSWAHL. Randomisierte kontrollierte Studien von ≥ 3 Wochen, die die Wirkung von Sojamilch als Ersatz für Kuhmilch auf verschiedene intermediäre kardiometabolische Mediatoren bewerten, werden eingeschlossen.

DATENEXTRAKTION. Zwei oder mehr Ermittler extrahieren unabhängig voneinander relevante Daten. Die Autoren werden für zusätzliche Informationen kontaktiert und alle fehlenden Daten werden unter Verwendung von Standardformeln berechnet/imputiert.

RISIKO VON BIAS. Zwei oder mehr Prüfärzte bewerten unabhängig voneinander das Bias-Risiko mithilfe des Cochrane Risk of Bias Tool 2. Alle Meinungsverschiedenheiten werden im Konsens gelöst.

ERGEBNISSE. Die Ergebnisse werden sein:

1. Bekannte Blutfette: LDL-Cholesterin (LDL-C), HDL-Cholesterin (HDL-C), Triglyceride (TG), Non-HDL-Cholesterin (Non-HDL-C) und Apolipoprotein B (Apo B)
2. Marker der glykämischen Kontrolle: Hämoglobin A1c (HbA1c), Nüchtern-Plasmaglukose (FPG), Nüchtern-Plasmainsulin (FPI), Plasmaglukosebereich unter der Kurve (AUC) und 2h-Plasmaglukose (2hPG)
3. Adipositas-Marker: Körpergewicht, Body-Mass-Index (BMI), Körperfett und Taillenumfang
4. Blutdruck: systolischer Blutdruck (SBP) und diastolischer Blutdruck (DBP)
5. Marker der nicht-alkoholischen Fettlebererkrankung (NAFLD): intrahepatozelluläre Lipide (IHCL), Alanin-Transaminase (ALT), Aspartat-Aminotransferase (AST) und Fettleber-Index (FLI)
6. Entzündungsmarker: C-reaktives Protein (CRP)

DATENSYNTHESE. Die Daten werden unter Verwendung der generischen inversen Varianzmethode für jedes Ergebnis gepoolt. Modelle mit zufälligen Effekten werden auch dann verwendet, wenn keine statistisch signifikante Heterogenität zwischen den Studien vorliegt, da sie bei Vorhandensein einer Restheterogenität konservativere zusammenfassende Effektschätzungen liefern. Fixed-Effects-Modelle werden nur verwendet, wenn es = 10 Studienvergleiche gibt) durch Sensitivitätsanalysen und a priori Subgruppenanalysen (Dosis, Komparator, Follow-up, Baseline-Spiegel, Design, Alter, Gesundheitszustand, Finanzierung und Bias-Risiko). Meta-Regressionsanalysen werden die Aussagekraft von kategorialen und kontinuierlichen Subgruppenanalysen bewerten. Der Publikationsbias wird (bei >=10 Versuchsvergleichen) durch Untersuchung von Funnel-Plots und den Egger- und Begg-Tests bewertet. Die Anpassung für Hinweise auf eine Funnel-Plot-Asymmetrie oder kleine Studieneffekte wird nach der Trim-and-Fill-Methode von Duval und Tweedie durchgeführt.

STUFENBEURTEILUNG. Um die Aussagekraft der Beweise zu beurteilen, verwenden die Ermittler das GRADE-System, ein evidenzbasiertes Bewertungssystem, das von über 100 Organisationen übernommen wird (http://www.gradeworkinggroup.org/). Sie stuft die Evidenz als hoch, moderat, niedrig oder sehr niedrig ein, basierend auf dem Studiendesign und einer Reihe von Herabstufungen (Biasrisiko, Ungenauigkeit, Inkonsistenz, Indirektheit, Publikationsbias) und Heraufstufungen (großes Ausmaß der Wirkung, Dosis-Wirkungs-Beziehung). Gradient und Abschwächung durch Confounding). Die Prüfer folgen dem GRADE-Handbuch (https://gdt.gradepro.org/app/handbook/ Handbuch.html) und verwenden Sie die GRADEpro GDT (gradepro.org) Software.

WISSENSÜBERSETZUNGSPLAN. Die Ermittler werden dem Ottawa-Modell der Forschung zur Wissensübersetzung folgen. Die Ergebnisse werden durch interaktive Präsentationen auf lokalen, nationalen und internationalen wissenschaftlichen Tagungen und Veröffentlichungen in einflussreichen Zeitschriften verbreitet. Zu den Zielgruppen gehören das öffentliche Gesundheitswesen und klinische Gemeinschaften mit Interesse an Ernährung und kardiometabolischen Erkrankungen. Das Feedback wird aufgenommen und verwendet, um die Botschaften der öffentlichen Gesundheit zu verbessern, und es werden Schlüsselbereiche für zukünftige Forschung definiert. Die PIs werden sich mit Meinungsführern vernetzen, um das Bewusstsein zu erhöhen und sich direkt an der Entwicklung zukünftiger Richtlinien zu beteiligen.

BEDEUTUNG. Die vorgeschlagene Evidenzsynthese wird Sojamilch als Alternative zu Kuhmilch für die kardiometabolische Gesundheit bestimmen, die Entwicklung von Richtlinien informieren und die Gesundheitsergebnisse verbessern, Gesundheitsdienstleister und Patienten aufklären, Innovationen in der Branche anregen und zukünftiges Forschungsdesign leiten.