Déterminants de la connaissance et de l'utilisation des compléments alimentaires

I. MESURES ÉVALUÉES DANS L'ÉTUDE :

La sélection des mesures à évaluer dans l'étude était basée sur l'examen de la littérature scientifique et l'intérêt personnel des chercheurs :

1. Mesures liées aux compléments alimentaires :

   1. connaissances sur les compléments alimentaires (KaDS) - évaluées à l'aide d'un questionnaire KaDS en 17 points, qui a été développé en version polonaise par Karbownik et al. (2019). Un répondant sera invité à évaluer chacun des 17 énoncés concernant les compléments alimentaires comme "vrai" ou "faux". KaDS sera principalement codé comme une somme des sous-échelles générales et spécifiques du questionnaire. KaDS sera opérationnalisé comme une variable ordinale à 18 niveaux.
   2. sources auto-évaluées de KaDS - évaluées séparément pour 5 catégories : "médecins", "pharmaciens", "diététiciens", "amis (sans formation médicale)", "médias (magazines, TV, radio, Internet)". Une question mono-item sera posée pour chaque catégorie : "dans quelle mesure obtenez-vous des connaissances sur les compléments alimentaires de...?". Chaque catégorie sera opérationnalisée comme une variable ordinale à 4 niveaux (de « pas du tout » à « dans une large mesure »). Télévision - télévision.
   3. utilisation de compléments alimentaires (UoDS) - évaluée par une question à un seul élément : "avez-vous utilisé des compléments alimentaires au cours des 30 derniers jours ?". L'UoDS sera opérationnalisé comme une variable catégorielle à 2 niveaux ("non" et "oui").
   4. expérience personnelle positive avec les compléments alimentaires - évaluée à l'aide d'une question à un seul élément : "si vous prenez un complément alimentaire, pensez-vous que cela vous aide ?". La mesure sera opérationnalisée sous la forme d'une variable catégorielle à 3 niveaux ("non", "oui" et "sans objet, je n'utilise pas de compléments alimentaires"). Les cas présentant une réponse "sans objet...", seront codés dans les analyses comme "non".
   5. expérience personnelle négative avec les compléments alimentaires - évaluée par une question à un seul élément : "si vous prenez un complément alimentaire, avez-vous l'impression que cela vous fait mal ?". La mesure sera opérationnalisée sous la forme d'une variable catégorielle à 3 niveaux ("non", "oui" et "sans objet, je n'utilise pas de compléments alimentaires"). Les cas présentant une réponse "sans objet...", seront codés dans les analyses comme "non".
   6. intérêt pour les compléments alimentaires - évalué avec un différentiel sémantique à 5 points à un seul item : de "No. Cela m'est totalement indifférent." à "Oui ! Chaque jour, je recherche des informations sur ce sujet.". La mesure sera opérationnalisée comme une variable ordinale à 5 niveaux.
   7. confiance dans la publicité pour les compléments alimentaires (TiADS) - évaluée à l'aide d'un questionnaire TiADS en 8 points, qui a été développé en version polonaise par Karbownik et al. (2019). Un répondant sera invité à exprimer son opinion sur les informations véhiculées par les publicités de compléments alimentaires à l'aide d'une échelle différentielle sémantique en 5 points. TiADS sera principalement considéré comme une somme des sous-échelles du questionnaire Fiabilité, Intelligibilité et Affect. TiADS sera opérationnalisé comme une variable ordinale à 33 niveaux.
   8. avoir été en contact avec des publicités de compléments alimentaires - évalué avec une question à un seul élément : "avez-vous été en contact avec des publicités de compléments alimentaires au cours de la semaine écoulée ?". La mesure sera opérationnalisée comme une variable ordinale à 2 niveaux ("non" et "oui").

2. Mesures liées à d'autres problèmes de santé :

   1. Croyances générales sur les médicaments (BMQ-Général) - évaluées avec une partie générale en 8 points du questionnaire sur les croyances sur les médicaments, qui a été développé par Horne et al. (1999), et adapté à la langue polonaise et validé par Karbownik et al. (2019) (article actuellement en cours d'examen par les pairs). Il sera demandé à un répondant d'exprimer son accord avec 8 affirmations concernant les médicaments à l'aide d'une échelle de Likert en 5 points : de « totalement en désaccord » à « totalement d'accord ». BMQ-General sera codé comme 2 variables distinctes : BMQ-General-Overuse subscale et BMQ-General-Harm subscale. Les deux sous-échelles seront opérationnalisées en tant que variables ordinales à 17 niveaux.
   2. auto-évaluation de la santé - évaluée avec une question à un seul élément : "comment évaluez-vous votre santé ?". La mesure sera opérationnalisée sous la forme d'une variable ordinale à 4 niveaux ("médiocre", "passable", "bon", "excellent").
   3. régime alimentaire auto-évalué - évalué avec un différentiel sémantique à 5 points : à partir de "je mange beaucoup de fast-food, de chips, de sucreries, etc." à "Je ne mange que des repas sains et équilibrés". La mesure sera opérationnalisée comme une variable ordinale à 5 niveaux.
   4. activité physique auto-évaluée - évaluée avec un différentiel sémantique à 5 points à un seul item : de « je n'ai aucune activité physique du tout » à « je fais du sport de manière intensive 5 fois par semaine ». La mesure sera opérationnalisée comme une variable ordinale à 5 niveaux.
   5. tabagisme conventionnel - évalué à l'aide d'une question à un seul item : "Fumez-vous des cigarettes conventionnelles ?". La mesure sera opérationnalisée sous la forme d'une variable catégorielle à 3 niveaux ("jamais", "non, mais j'ai fumé dans le passé", "oui").
   6. usage de la cigarette électronique - évalué par une question à un seul item : "utilisez-vous des cigarettes électroniques ?". La mesure sera opérationnalisée sous la forme d'une variable catégorielle à 3 niveaux ("jamais", "non, mais j'ai utilisé dans le passé", "oui").

3. Mesures des données sociodémographiques :

   1. âge - opérationnalisé comme une variable continue arrondie à des années entières. Les valeurs autorisées à rapporter seront : "inférieur à 18", "18", "19", "20", ..., "113". Le Polonais le plus âgé actuellement (23 octobre 2019) vivant a 113 ans.
   2. sexe - opérationnalisé en tant que variable catégorielle à 2 niveaux ("masculin" et "féminin").
   3. niveau d'éducation - opérationnalisé en tant que variable ordinale à 5 niveaux ("primaire", "secondaire ou professionnel", "baccalauréat supérieur", "maîtrise supérieure", "doctorat supérieur").
   4. formation médicale - opérationnalisée en tant que variable catégorielle à 2 niveaux ("pas de formation médicale" et "formation médicale"). Cette mesure servira d'auxiliaire pour vérifier si un répondant répond aux critères d'exclusion. Les valeurs manquantes dans cette variable seront codées comme "études médicales".
   5. nombre d'habitants dans un lieu de résidence - opérationnalisé comme une variable ordinale à 4 niveaux ("inférieur à 5 000", "5 000-50 000", "50 000-500 000", "plus de 500 000").
   6. revenus mensuels nets du ménage par membre de la famille - opérationnalisés en tant que variable ordinale à 4 niveaux ("inférieur à 1 000 PLN", "1 000-2 000 PLN", "2 000-3 000 PLN", "plus de 3 000 PLN"). PLN - Monnaie polonaise (zloty).

II. PLAN D'ANALYSE DES DONNÉES

1. Un participant à l'étude sera invité à remplir le sondage en ligne (https://www.survio.com/pl/) évaluer toutes les mesures ci-dessus.
2. Tous les cas de répondants qui ont déclaré avoir moins de 18 ans ou avoir une formation médicale seront supprimés des analyses ultérieures (comme indiqué dans les critères d'inclusion et d'exclusion).

3. Toutes les variables mesurées avec l'échelle différentielle sémantique n'auront aucune valeur manquante, car le logiciel d'enquête en ligne attribue une valeur centrale ("3") à une réponse par défaut. Des valeurs manquantes sont possibles dans les autres variables de l'enquête, car il n'y aura pas d'option de réponse forcée ni de réponse par défaut. Les valeurs manquantes seront gérées de la manière suivante :

   1. Les cas sans données, hormis les valeurs par défaut dans les variables sémantiques différentielles, seront supprimés.
   2. La fraction des valeurs manquantes pour chaque variable sera calculée.
   3. La fraction de cas avec au moins une valeur manquante sera calculée.
   4. Les variables avec plus de 50 % de valeurs manquantes et les cas avec plus de 50 % de valeurs manquantes seront supprimés de la base de données.
   5. Le modèle de données manquantes sera évalué avec le test de Little pour les données manquantes complètement au hasard (MCAR). En cas de violation significative de l'hypothèse MCAR, pour chaque variable, l'association de l'absence avec toutes les autres variables sera examinée.
   6. Si la fraction des cas avec au moins une valeur manquante (voir point "c") est inférieure à 5 % et que le résultat du test MCAR de Little (voir point "e") est non significatif, les cas avec au moins une valeur manquante seront supprimés et l'analyse ne sera effectuée qu'avec des cas complets.
   7. Sinon (au point "f"), les valeurs manquantes seront imputées avec une imputation multivariée par des équations en chaîne (MICE) avant toute autre analyse de données. La sommation des items constituant KaDS, TiADS et BMQ sera effectuée après imputation des valeurs manquantes dans chaque item individuel.

4. KaDS sera traité comme une variable continue et modélisé avec une régression linéaire multivariée, tandis que UoDS, étant une variable catégorielle à 2 niveaux, sera modélisé avec une régression logistique. Les variables indépendantes ordinales seront considérées comme continues, tout en étant incluses dans les modèles de régression. Les variables indépendantes catégorielles à plus de 2 niveaux seront converties en variables fictives avant d'être incluses dans les modèles de régression. Les variables dépendantes (DV), KaDS et UoDS, seront modélisées selon les étapes suivantes :

   1. Les associations univariées (non ajustées) des DV avec toutes les mesures restantes seront évaluées (KaDS sera en outre divisé en sous-échelles générales et spécifiques pour la présentation des résultats). De plus, l'interaction bidirectionnelle "TiADS" × "avoir un contact avec des publicités de compléments alimentaires" sera incluse. Les associations seront rapportées à la fois non ajustées et ajustées pour toutes les mesures sociodémographiques testées (voir point "I. 3"). Si les données sont imputées (voir point "3. g"), une analyse de sensibilité des associations univariées (non ajustées) entre les VD et les mesures restantes sera effectuée dans l'ensemble de données des cas complets uniquement pour tester l'exactitude de l'imputation des données manquantes. Les autres modèles multivariés seront construits avec les mesures statistiquement significatives (selon les valeurs p brutes dans les analyses non ajustées) associées à une VD dans ces analyses.

   2. Les prédicteurs à retenir dans le modèle final seront sélectionnés selon les critères suivants :

      • Multicolinéarité. La multicolinéarité des variables sera évaluée avec la matrice de corrélation de Pearson et l'analyse factorielle exploratoire. En cas de détection de multicolinéarité, deux solutions seront envisagées : (1) des variables sensiblement colinéaires peuvent être linéairement combinées si elles peuvent représenter le même construit (par ex. "régime auto-évalué" plus "activité physique auto-évaluée" plus "pas de tabagisme" peuvent représenter le construit de "soins de santé personnels" ou "fumer des cigarettes conventionnelles" plus "l'utilisation de cigarettes électroniques" peut représenter le construit de "nicotine dépendance", etc.) ou (2) une seule variable d'un ensemble de variables sensiblement colinéaires peut être retenue et l'autre peut être supprimée.
      • "Objectivité" de la mesure retenue. Les mesures très "objectives" seront privilégiées. Elles incluent celle dont la preuve de validité est la plus convaincante : KaDS, TiADS et BMQ, suivies des mesures « objectives » évaluées avec une question à un seul item : l'âge et le sexe, suivies de mesures plus « subjectives », difficilement vérifiables et éventuellement biaisées : le reste des mesures.
      • Critères d'information. Les modèles avec des valeurs inférieures du critère d'information d'Akaike ou bayésien seront privilégiés (algorithme de sélection du meilleur sous-ensemble).
   3. Une analyse résiduelle des modèles obtenus sera effectuée pour vérifier les hypothèses de la modélisation linéaire générale. En cas d'hypothèses substantiellement violées, les processus de construction du modèle peuvent être répétés.
5. La validation interne sera effectuée avec une validation croisée k-fold pour tester la précision et la stabilité des modèles obtenus.

6. Des analyses de sous-groupes peuvent être effectuées dans les échantillons de répondants critiques pour la santé publique :

   1. les personnes âgées (60 ans ou plus),
   2. habitants des zones rurales (moins de 5 000 habitants),
   3. les personnes à faible revenu (moins de 1 000 PLN de revenus mensuels nets du ménage par membre de la famille), etc.
7. Les valeurs P dans les analyses inférieures à 0,05 seront considérées comme statistiquement significatives. Pour tenir compte des tests d'hypothèses multiples, le cas échéant, une correction du niveau de signification avec la procédure Benjamini et Hochberg sera appliquée (taux de fausse découverte 0,05).
8. Les analyses seront effectuées à l'aide du logiciel STATISTICA (Statsoft) ou du logiciel R (R Core Team).