条文本
PDF
摘要
客观的代谢健康不良和不健康的生活方式因素与COVID-19的风险和严重程度有关，但缺乏饮食方面的数据。我们旨在调查饮食质量与COVID-19风险和严重程度的关系及其与社会经济剥夺的相互作用。
设计我们使用了基于智能手机的COVID-19症状研究的592 571名参与者的数据。使用一份简短的食物频率问卷收集大流行前时期的饮食信息，并使用健康的植物性饮食评分(强调水果或蔬菜等健康的植物性食物)评估饮食质量。拟合多变量Cox模型，分别计算使用验证过的基于症状的算法或使用氧气支持住院确定的COVID-19风险和严重程度的hr和95% ci。
结果在3 886 274人月的随访中，记录了31 815例COVID-19病例。与饮食得分最低的四分之一人群相比，高饮食质量与较低的COVID-19风险相关(风险比0.91;95% CI 0.88至0.94)和严重COVID-19 (HR 0.59;95% CI 0.47 ~ 0.74)。低饮食质量和饮食剥夺增加对COVID-19风险的联合影响高于单独与各因素相关的风险之和(P交互= 0.005)。饮食评分最低与最高的四分之一人群每10 000人/月的相应绝对超率在贫困程度较低的地区为22.5 (95% CI 18.8至26.3)，在贫困程度较高的地区为40.8 (95% CI 31.7至49.8)。
结论以健康植物性食物为特征的饮食与COVID-19的风险和严重程度较低有关。这种关联在生活在社会经济贫困程度较高地区的个人中可能尤其明显。
- 新型冠状病毒肺炎
- 饮食
- 饮食因素
- 传染性疾病
数据可用性声明
这项研究使用的饮食质量数据由伦敦国王学院双胞胎研究部门保存。数据可以通过我们的正常程序发布给真正的研究人员，这些程序由维康信托基金会监督，其指导方针作为我们核心资金的一部分(https://web.www.healthdatagateway.org/dataset/fddcb382-3051-4394-8436-b92295f14259)．本次研究中使用的Zoe平台数据可通过英国健康数据研究中心通过以下链接获得:https://web.www.healthdatagateway.org/dataset/fddcb382-3051-4394-8436-b92295f14259．这项研究使用的饮食质量数据由伦敦国王学院双胞胎研究部门保存。数据可以通过我们的正常程序发布给真正的研究人员，这些程序由维康基金会监督，其指导方针作为我们核心资金的一部分。我们每年收到大约100个数据集的请求，每个月有三次与独立成员的会议来评估建议。申请是通过https://twinsuk.ac.uk/resources-for-researchers/access-our-data/．这意味着数据需要匿名化，并符合GDPR标准。
统计数据来自Altmetric.com
本研究的意义
关于这个问题，我们已经知道了什么?
代谢健康不良和不健康的生活方式行为与COVID-19的更高风险和严重程度有关。
过去已证明，改善营养，特别是在社会经济匮乏的情况下，可减轻某些传染病的负担。缺乏饮食质量与COVID-19易感性和进展之间关联的证据。
新的发现是什么?
以健康植物性食物为特征的饮食模式与COVID-19的风险和严重程度较低有关。
我们发现，饮食不良和社会经济匮乏加剧与COVID-19风险的协同关联，高于单独与各因素相关的风险之和。
饮食与COVID-19风险的有益联系似乎与生活在社会经济贫困程度较高地区的个人尤其相关。
在可预见的未来，它会对临床实践产生怎样的影响?
我们的研究表明，在努力解决COVID-19风险和严重程度的差异时，应考虑特别重视作为健康的社会决定因素改善营养。
简介
代谢健康不良与肥胖、2型糖尿病或高血压等疾病有关1 2与COVID-19风险和严重程度的增加有关，过度肥胖或既往存在肝病可能与COVID-19死亡风险的增加有因果关系。3 4这些情况的背后是饮食的贡献，它可能与COVID-19的风险和严重程度独立相关。
在先前的科学证据的基础上，饮食质量评分(DQSs)已经被开发用来评估饮食模式的健康性。5 - 7饮食模式比任何一种单独的食物更能捕捉食物摄入的复杂性，并提供了描述典型饮食中通常食物消费的优势。8一个这样的饮食评分是健康的植物性饮食指数(hPDI)，它强调摄入健康的植物性食物，如水果、蔬菜和全谷物，并与降低脂肪肝、2型糖尿病和冠状动脉疾病的风险有关。5 9 10
坚持健康的饮食模式也可能是健康的远端社会决定因素的近端表现。11 - 13过去已证明，解决健康的不利社会决定因素，如营养不良，可减轻某些传染病的负担，14支持呼吁在应对COVID-19的公共卫生工作中优先考虑卫生问题的社会决定因素。此前一项包括来自6个国家的约3000名卫生工作者的研究表明，植物性饮食或鱼素饮食与中重度COVID-19的较低几率相关。15然而，缺乏关于饮食质量与普通人群中COVID-19风险和严重程度之间关联的证据，特别是在健康上游社会决定因素的背景下。为了弥补这一证据差距，我们分析了来自基于智能手机的COVID-19症状研究的592 571名英国和美国参与者的数据，16前瞻性调查饮食质量与COVID-19风险和严重程度的关系，以及其与社会经济剥夺的交集。
材料与方法
研究设计和参与者
COVID-19症状研究是在英国和美国进行的一项基于智能手机的研究。研究设计和抽样程序已在其他地方发表。16简而言之，普通公众成员是通过普通媒体、社交媒体推广和冠状病毒大流行病学联盟调查人员的直接邀请招募的，16多国合作，包括几项大型临床和流行病学队列研究。该分析包括从2020年3月24日招募的参与者，并跟踪到2020年12月2日。在开始随访前报告任何与COVID-19相关的症状，或在首次进入24小时内报告将他们归类为预测COVID-19的症状，或在开始随访前任何时间或首次进入24小时后COVID-19检测呈阳性的参与者被排除在外。我们还排除了18岁以下的参与者、孕妇和随访期间每天只记录一次评估的参与者。在注册时，我们获得了为研究目的使用自愿信息的知情同意，并共享了相关的隐私政策和使用协议条款。
数据收集程序
在基线时，透过标准化问卷收集人口统计因素的资料，16包括年龄、性别、种族、邮政编码或邮政编码、医护人员状况、个人病史(包括肺病、糖尿病、心血管疾病、癌症、肾病)和药物使用情况，并自我报告COVID-19检测阳性或任何与COVID-19相关的症状。在随访期间，每日提示查询关于中期症状、医疗保健访问和COVID-19检测结果的更新。通过软件更新，在2020年8月至9月期间启动了一项调查，以检查大流行前时间段(参考时间2020年2月)和大流行期间(参考时间2020年7 / 8月)的通常饮食和生活方式习惯。有关饮食及生活方式调查的详情，请参阅在线补充文件并在其他地方发表。17在这项研究中，我们使用了参与者对2020年2月期间饮食的回忆，这反映了大流行之前的时期。的图表说明如何以及何时收集饮食和症状信息在线补充图1．
膳食品质评估
饮食质量评估使用的信息来自修订版的利兹简式食物频率问卷18其中包括27种食物(在线补充方法)．使用这种简短的食物频率问卷而不是完整的食物频率问卷的基本原理是通过减少完成时间来限制参与者的负担。简短的食物频率问卷的准确性和可靠性与217项食物频率问卷进行了评估，表明简短的食物频率问卷是一种可靠的评估饮食质量的方法。18
参与者被问及在一个典型的星期内，他们平均多久吃一次每种食物的一部分。这些回答有八种频率类别，从“很少或从不”到“每天五次或五次以上”。采用验证过的hPDI评分对饲粮质量进行量化。5为了计算hPDI，我们将27种食物组合成14个食物组(在线补充表1)．最初的hPDI评分包括18组食物，但坚果、植物油、茶或咖啡和动物脂肪没有被特别询问。食物组被分成五组，给予积极的(健康的植物食物组)或相反的分数(不太健康的植物和动物食物组)。有了积极的分数，食物组中最高的五分之一的参与者得到了5分，接着是最低的五分之一的参与者得到了1分。有了反向得分，这种得分模式就被颠倒了。所有组成部分的分数相加得到总分14分(最低饮食质量)到70分(最高)。生成hPDI的标准载于在线补充表2．
作为一种基于现有膳食信息量化膳食质量的额外方法，我们使用了DQS。18DQS是对遵守英国膳食指南的评分，由五大类计算得出，包括水果、蔬菜、总脂肪、油性鱼类和非牛奶外源性糖。每个成分的得分从1分(最不健康)到3分(最健康)，中间值按比例得分(在线补充表3)．所有组成部分的分数相加得到总分从5分(最低的饮食质量)到15分(最高的)(在线补充表4)．
COVID-19风险和严重程度评估
该分析的主要结果是使用经过验证的基于症状的算法定义COVID-19风险，19该报告提供了与英国国家统计局社区感染调查报告相似的COVID-19流行率和发病率估计数。20.中提供了有关预测算法中包含的症状和相应权重的详细信息在线补充方法．简单地说，基于症状的方法使用一种算法，根据参与者报告的症状、年龄和性别，预测他们是否感染了SARS-CoV-2。为了验证我们的病例确定，我们邀请在COVID-19症状研究申请中报告了症状的一组个人提供一份检测结果副本。在235名参与者中，我们发现，对于确诊的病历结果，自我报告的COVID-19检测的阳性预测值为88%，阴性预测值为94%。将基于症状的分类器作为主要结果的理由是，在大流行的早期阶段获得检测普遍存在困难。21根据逆转录PCR阳性检测和COVID-19严重程度的自我报告，次要结果确认为COVID-19。COVID-19的严重程度是根据一份需要住院的报告确定的，该报告需要(1)无创呼吸支持，(2)有创呼吸支持和(3)抗生素联合氧气支持(在线补充方法)．
统计分析
我们制定了一个预先指定的方案，包括质量控制程序、暴露、结果和协变量的定义，以及在数据分析之前的统计分析计划(在线补充文件)．我们通过使用中位数和第25位和第75位百分比总结了连续测量，并以频率和百分比表示分类观察。中提供了对先验选择的协变量进行分类的方法在线补充文件．根据居住地的邮政编码(美国)或邮政编码(英国)，参与者被分配到特定国家的社区层面的社会经济指标，包括社会经济剥夺和人口密度。对于英国的参与者，我们检索了国家统计局从2019年到2011年低超级产出地区的汇总数据中计算的多重剥夺指数的教育和收入指标。22对于美国的参与者，社会经济指标是使用人口普查数据汇总而成的，其中包含多达25个特征，这些特征一直被用于近似社区级别的环境。23采用主成分分析进行人口普查数据精简，保留7个变量生成指数。载荷由主成分分析得到。然后，剥夺指数被标准化，其平均值为0，标准差为1。采用链式五种插值的多重插值法对缺失值进行插值。在归责前的失踪详情载于在线补充图2．主分析中的所有协变量都包含在多重imputation过程中，并使用Rubin的规则组合从每个imputation数据集产生的估计。24
由于收集的是大流行前期间的饮食信息，我们使用Cox回归进行了前瞻性分析，其中每个参与者的随访时间从首次登录到预测的COVID-19发生时间(或到次要结果发生时间)的24小时开始，或从2020年12月2日之前最后一次登录的日期开始，以先发生的日期为准。我们将DQS建模为一个连续变量，并根据分布的四分位数(四分位数1，低饲料质量;四分位数2-3，饲料质量中等;四分位数4，饲料质量高)。使用Cox回归模型按研究开始时的日历日期、来源国和10岁年龄组分层，计算COVID-19风险和严重程度的HR和95% CI(年龄调整模型1)。模型2进一步调整了性别、种族/民族、多重剥夺指数、人口密度和医护人员地位。模型3进一步调整了共病(糖尿病、心血管疾病、肺病、癌症、肾病)、体重指数(BMI)、吸烟状况和体育活动的存在。提供了一个有向无环图，描述了一个可能的场景，可以解释饮食质量与COVID-19风险和严重程度之间的关系在线补充图3．利用舍恩菲尔德残差技术验证了Cox模型的比例风险假设。25绝对风险计算为某一特定群体中每1万人月发生COVID-19病例的百分比。我们使用4个节的限制性三次样条(在2.5、25、75和97.5百分位)来评估饮食质量与COVID-19风险之间的非线性关联。
在二次分析中，我们使用阳性检测的自我报告来定义COVID-19风险。对于这些分析，我们使用逆概率加权Cox模型来解释获得特定国家检测的预测因素。逆概率加权分析包括是否存在与COVID-19相关的症状、与COVID-19患者的互动、作为医护人员的职业、年龄组和种族。逆概率加权Cox模型按10岁年龄组和日期分层，并对先前模型中使用的协变量进行额外调整。对于严重的COVID-19分析，我们对先前模型中使用的相同协变量进行了调整。作为量化饮食质量的另一种方法，我们使用了DQS并测试了饮食质量与COVID-19风险和严重程度之间的关联。此外，我们审查了在完成饮食调查后发生的病例的分析，以调查由于时变混杂而产生的潜在偏见。
在亚组分析中，我们根据共病、人口统计学和生活方式特征评估了饮食质量和COVID-19风险之间的关联。我们还根据DQS和社会经济剥夺指数(根据DQS和剥夺指数的三分之一分为9类)对参与者进行了分类，并对COVID-19风险进行了联合分析。进行联合分析是为了定量估计饮食和剥夺与COVID-19风险同时的联合关联。我们通过评估相互作用导致的相对过量风险(rei)来测试相加相互作用，并进一步研究了由饮食、匮乏及其相互作用(在线补充方法)．26
我们进行了敏感性分析，以解释有效繁殖数量(Rt)或其他降低风险的行为，例如戴口罩。的Rt该参数表示单个病例平均新增感染人数，被用作衡量病毒传播速度的指标，并作为毒力指标。为Rt分析，我们提取了美国州级的信息Rt来自COVID-19跟踪项目(https://covidtracking.com)，为2020年3月至2021年1月期间的数据。对于英国，我们进行了计算Rt苏格兰、威尔士和英格兰每个国家卫生服务(NHS)地区的时间序列，使用我们小组之前发表的方法。20.在这些分析中，我们定义了社区峰值和低谷Rt时间窗指的是前1周和后2周之间的时间段Rt是空前的高还是低。通过截短时间窗，我们在对模型3中包含的相同混杂因素进行调整后，测试了饮食质量与COVID-19风险之间的关联。对于口罩佩戴分析，我们使用了2020年6月至2020年9月期间发布的调查数据，关于参与者在上一周是否在室外佩戴口罩。受访者被分为两类:“从不或偶尔”戴口罩的参与者，以及“大部分时间/总是”至少一次戴口罩的参与者。对于口罩佩戴分析，我们纳入了与模型3中相同的协变量。
进一步，采用结构方程模型对BMI进行中介分析。在本分析中，饮食质量和BMI被作为连续变量。我们估计了BMI在饮食质量和COVID-19风险之间的关联中的相对贡献，并计算了BMI的间接影响在总影响中所占的比例。通过取暴露对中介因素的影响和中介因素对结果的影响的乘积来估计间接影响。为了计算中介效应的比例，我们用间接效应除以总效应。直接影响被定义为饮食质量通过独立于中介机制与COVID-19风险的关联，通过回归COVID-19对饮食质量的影响来估计。
双侧p<0.05为主要分析差异有统计学意义。所有统计分析均使用R软件V.4.0.3 (R Foundation)进行。
患者和公众的参与
没有患者直接参与设计研究问题或进行研究。没有患者被问及如何解读或记录结果。研究结果将直接通过ZOE症状应用程序与公众和患者分享https://covid.joinzoe.com/网站和网络研讨会。
结果
对647137名受访者自我报告的饮食质量进行了评估，其中54.566人因COVID-19流行(n=1555)、基线时出现任何症状(n= 47594)、仅记录一次(n=1201)、怀孕(n=1129)或年龄在18岁以下(n=3087;在线补充图4)．本研究纳入的592 571名受试者根据hPDI评分类别的基线特征见表1．饮食评分最高四分之一的参与者(反映了更健康的饮食)比最低四分之一的参与者更可能是年龄较大、女性、卫生保健工作者、BMI较低、从事体育活动≥5天/周、居住在社会经济贫困程度较高的地区的可能性更小。根据饮食调查参与的COVID-19症状研究的参与者的特征呈现在在线补充表5．hPDI评分呈正态分布(在线补充图5)．
在3 886 274人月的随访中，记录了31 815例COVID-19病例。饮食评分最高的四分位数参与者每10000人月的COVID-19粗略发病率为72.0 (95% CI 70.4至73.7)，最低的四分位数参与者为104.1 (95% CI 101.9至106.2)。相应的COVID-19风险年龄调整HR为0.80 (95% CI 0.78 - 0.83，表2)．在对潜在混杂因素进行调整后，COVID-19风险的差异仍然存在。在完全调整的模型中，当我们比较饮食质量高的参与者和饮食质量低的参与者时，COVID-19风险的多变量调整HR为0.91 (95% CI 0.88 - 0.94)。我们观察到饮食质量越高，患COVID-19的风险呈非线性下降趋势(非线性p<0.001)，其中DQS为>50 (在线补充图6)．膳食质量与COVID-19风险之间的关联是一致的，但在使用DQS评分(HR 0.92;95% CI 0.89 ~ 0.95;在线补充表6)，在完全调整模型中变得不显著(HR 1.00;95% CI 0.97 ~ 1.03)。我们还调查了我们的主要发现是否与饮食调查完成后发生的病例分析一致。这些分析表明，与低饮食质量相比，高饮食质量与较低的COVID-19风险相关(多变量调整HR 0.88;95% CI 0.83 ~ 0.93;在线补充表7)．
在基于阳性检测的COVID-19风险的二次分析中，我们显示，饮食质量高的个体每10000人月的COVID-19粗发病率为12.9 (95% CI 12.2至13.6)，饮食质量低的个体为16.4 (95% CI 15.5至17.2)。相应的COVID-19风险的多变量调整HR为0.82 (95% CI 0.78至0.86;表2)．就严重COVID-19风险而言，饮食质量高的个体的粗发病率低于饮食质量低的个体(1.6 (95% CI 1.3至1.8)vs 2.1 (95% CI 1.9至2.5;每10,000人月)表2)．在完全调整后的模型中，与低饮食质量相比，高饮食质量与患严重COVID-19的风险较低相关，HR为0.59 (95% CI 0.47至0.74;表2)．
在分层分析中，饮食质量与COVID-19风险之间的负相关在生活在高度社会经济贫困地区和那些报告身体活动水平低的参与者中更为明显(p<0.05;表3)．我们没有发现其他特征如年龄、BMI、种族/民族或人口密度的显著影响。当饮食质量和社会经济剥夺相结合时，存在低饮食质量和高社会经济剥夺的风险梯度。与生活在低社会经济剥夺和高饮食质量地区的个人相比，生活在低社会经济剥夺地区的膳食质量低COVID-19风险的多变量调整HR为1.08 (95% CI 1.03至1.14)，生活在中等社会经济剥夺地区的多变量调整HR为1.23 (95% CI 1.17至1.29)，生活在高度社会经济剥夺地区的多变量调整HR为1.47 (95% CI 1.38至1.52)。图1)．饮食质量和社会经济剥夺的联合相关性高于单独与各因素相关的风险之和(rei =0.05 (95% CI 0.02 - 0.08);P交互= 0.005;在线补充表8)．据估计，饮食质量对COVID-19风险过高的贡献率为31.9% (95% CI 18.2%至45.6%)，社会经济贫困为38.4% (95% CI 26.5%至50.3%)，相互作用为29.7% (95% CI 2.1%至57.3%)。饮食评分最低与最高四分之一人群每万人月的COVID-19绝对超率在社会经济贫困程度较低的地区为22.5 (95% CI 18.8至26.3)，在社会经济贫困程度较高的地区(在线补充图7)．
根据饮食质量和社会经济剥夺程度判断COVID-19的风险。显示的是根据饮食质量和社会经济剥夺类别对预测COVID-19估计的调整hr和95% CI。Cox模型按研究开始时的日历日期、原籍国和10岁年龄组分层，并根据性别、种族/民族、多重剥夺指数、人口密度、是否患有糖尿病、心血管疾病、肺病、癌症、肾病、医护人员状况、体重指数、吸烟状况和体育活动进行了调整。在这些比较中，饮食质量高、社会经济贫困程度低的参与者作为参照组。hPDI，健康植物性饮食指数。
我们进行了一系列的敏感性分析，以进一步解释Rt，戴口罩。对峰值Rt截尾分析显示，饮食质量低的参与者每10000人月的COVID-19粗感染率为148.1 (95% CI 139.9至156.8)，饮食质量高的参与者为92.9 (95% CI 86.6至99.5)。相应的多变量调整HR为0.84 (95% CI 0.76 ~ 0.92，图2)．在最低点也观察到同样的趋势Rt截尾分析中，饮食质量低的参与者每10000人月的COVID-19粗感染率为67.1 (95% CI 61.7至73.0)，饮食质量高的参与者为45.8 (95% CI 41.3至50.5)(多变量调整HR 0.89;95% CI 0.80 ~ 1.00，图2)．我们进一步调整了戴口罩的模型。该分析表明，与低饮食质量相比，高饮食质量与COVID-19风险较低相关，校正HR为0.88 (95% CI 0.83至0.94;在线补充表9)．
根据社区传播率和饮食质量判断COVID-19的风险。每10000人月的COVID-19发病率和基于不同社区传播率和饮食质量类别的估计的95%置信区间。峰Rt和最低点Rt使用(方法)定义。COVID-19风险估计值的调整hr和95% CI来自完全调整的Cox模型。
在BMI的中介分析中，我们观察到BMI介导了37%(95%置信区间30% ~ 44%;饮食质量对COVID-19风险的影响(p<0.001)，也有证据表明饮食和COVID-19风险有直接影响(HR 0.98: 95% CI 0.97至0.98;hPDI每增加1 SD;在线补充表10)．
讨论
在这项对英国和美国参与者进行的前瞻性评估COVID-19感染风险和严重程度的大型调查中，我们发现以健康植物性食物为特征的饮食模式与较低的COVID-19感染风险和严重程度相关。我们观察到饮食质量差和社会经济剥夺程度增加的风险梯度，与单独归因于每个因素的风险相加性不同，这表明在社会经济剥夺程度较高的个人中，饮食与COVID-19的有益关联可能特别明显。
我们的发现与初步证据一致，即改善营养有助于减轻传染病的负担。12 14 27此前的研究表明，花生四烯酸或亚油酸可以部分抑制SARS-CoV-1和冠状病毒229E的复制，28特定的营养物质或膳食补充剂与适度降低COVID-19风险有关。29微量元素，维生素(A, B6B12、C、D、E和叶酸)、氨基酸、长链omega-3脂肪酸(二十二碳六烯和二十碳五烯)和非营养生物活性物质如多酚在免疫系统功能和细胞因子释放中起关键作用，30.并可能部分解释一些观察到的关联。这项观察性研究的结果可以扩展以前的单一营养观察，并强调健康饮食模式的有益联系，这在严重COVID-19的风险方面最为明显。我们的研究结果也与一项比较风险评估研究一致，该研究表明，与饮食相关的疾病，如肥胖和2型糖尿病的流行率如果降低10%，就可以避免自2020年11月以来发生在美国成年人中的约11%的COVID-19住院病例。31
健康饮食与较低的COVID-19风险之间的关联似乎在生活在社会经济贫困程度较高地区的个人中尤为明显。我们的模型估计，如果两种接触(饮食和剥夺)中的一种不存在，近三分之一的COVID-19病例本来可以避免。虽然人群归因风险是一种特定于人群的计算，它取决于接触的流行程度及其与疾病风险的关联，并假定有因果效应，但我们承认，我们对人群归因风险的估计有几个局限性。首先，与所有的观察性研究一样，我们的估计不一定表明因果关系。第二，估计的归因风险可能随着当前的SARS-CoV-2感染率而随时间变化。然而，我们的观察结果与生态学研究的数据一致，这些数据表明，生活在社会不平等程度更高的地区的人可能有更高的COVID-19发病率和死亡率。32通过生成基于邮政编码信息的颗粒剥夺指数，我们的研究补充了之前国家层面的生态研究。此外，最近关于社会经济地位对COVID-19影响的研究表明，社区一级的剥夺指数与COVID-19风险和死亡率密切相关。33 34但是，在不同的社区内仍然有可能存在不同的剥夺程度。需要进一步的研究，包括关于家庭特征、建筑环境或获得健康食品的信息，以扩大这些初步联系。
我们的研究通过调查一般人群中饮食质量与COVID-19风险和严重程度之间的关系，以及在健康的社会决定因素背景下，增加了知识。虽然我们的研究支持饮食质量与COVID-19风险和严重程度的有益联系，特别是在营养匮乏程度较高的个体中，但我们不能完全排除残留混淆的可能性。饮食健康的人可能具有与较低感染风险相关的其他特征，如采取其他降低风险的行为、更好的家庭条件和卫生条件或获得保健。然而，令人欣慰的是，尽管控制了SARS-CoV-2感染的其他替代标志，如口罩佩戴或社区传播率，这是与病毒传播和COVID-19风险相关的两个最相关因素，但我们的发现是一致的。35这些发现表明，在努力解决COVID-19风险和严重程度的差异时，应考虑将获得健康食品作为健康的社会决定因素予以特别关注。
我们承认有一些限制。首先，作为一项观察性研究，我们无法确认饮食与covid - 19风险之间的直接因果关系，也无法推断出具体机制。第二，我们的研究人群不是随机抽样的人群。尽管我们试图将潜在的选择偏差最小化，但我们认识到，我们的参与者主要是白人，与普通人群相比，他们不太可能生活在贫困地区。因此，我们的研究结果的普遍性需要在更多的研究中得到证实。第三，我们的结果可能存在偏差，因为在相关接触期(大流行前)几个月后进行的饮食召回之间存在时间间隔。然而，在我们的敏感性分析中，我们审查了发生在饮食调查实施之前的病例，结果是一致的。第四，饮食问卷的自我报告性质容易产生测量误差和偏差，使用简短的食物频率调查可能会进一步降低收集到的饮食数据的分辨率。更准确的膳食摄入评估方法，如膳食摄入生物标志物的使用，将在未来的研究中有价值，36但在大规模和时间敏感的调查中也难以实施。第五，结果依赖于自我报告的数据。虽然存在分类错误的可能，但自检报告和检测报告之间的一致性极好，敏感性为88%，特异性为94%。此外，基于症状的算法提供的COVID-19流行率和发病率估计数与国家统计局社区感染调查报告的估计数相似。第六，我们根据接受氧气支持住院的报告定义了严重COVID-19的风险，这可能没有捕捉到更严重或致命的病例。我们承认，我们无法包括在饮食问卷执行前可能已死于COVID-19的参与者。
结论
总之，我们的数据提供了证据，即使考虑到其他健康行为、健康的社会决定因素和病毒传播措施，健康饮食也与COVID-19和严重COVID-19的较低风险有关。饮食质量与社会经济剥夺的联合关联大于与每个单独因素相关的风险相加，表明饮食质量可能对COVID-19的易感性和进展产生直接影响。我们的研究结果表明，改善营养和不良代谢健康并解决健康的社会决定因素的公共卫生干预措施可能对减轻大流行的负担很重要。
数据可用性声明
这项研究使用的饮食质量数据由伦敦国王学院双胞胎研究部门保存。数据可以通过我们的正常程序发布给真正的研究人员，这些程序由维康信托基金会监督，其指导方针作为我们核心资金的一部分(https://web.www.healthdatagateway.org/dataset/fddcb382-3051-4394-8436-b92295f14259)．本次研究中使用的Zoe平台数据可通过英国健康数据研究中心通过以下链接获得:https://web.www.healthdatagateway.org/dataset/fddcb382-3051-4394-8436-b92295f14259．这项研究使用的饮食质量数据由伦敦国王学院双胞胎研究部门保存。数据可以通过我们的正常程序发布给真正的研究人员，这些程序由维康基金会监督，其指导方针作为我们核心资金的一部分。我们每年收到大约100个数据集的请求，每个月有三次与独立成员的会议来评估建议。申请是通过https://twinsuk.ac.uk/resources-for-researchers/access-our-data/．这意味着数据需要匿名化，并符合GDPR标准。
伦理语句
病人同意发表
伦理批准
该研究方案获得了麻省布莱根大学人类研究委员会(方案2020P000909)和伦敦国王学院伦理委员会(REMAS ID 18210, LRS-19/20-18210)的批准。
致谢
我们向所有在应用程序中输入数据的参与者表示诚挚的感谢，包括在冠状病毒大流行病学(COPE)联盟队列中登记的研究志愿者。我们感谢Zoe Global、伦敦大学国王学院双胞胎研究部和麻省总医院临床和转化流行病学部门的工作人员，感谢他们为开展这项研究和收集数据所做的不懈努力。这项工作是使用由Cleghorn开发的短形式FFQ工具进行的https://doi.org/10.1017/S1368980016001099并列于营养工具(www.nutritools.org)图书馆。
参考文献
补充材料
-
补充数据
这个网络仅文件已由BMJ出版集团从作者提供的电子文件生产(s)，并没有编辑的内容。
脚注
JM, ADJ和LHN是共同的第一作者。
TDS、SB和ATC是联合资深作者。
推特@Riudecanyenc， @EmilyLeemingRD， @DADrewPhD
贡献者JM、ADJ、LHN、ERL、TDS、SB和AC构思研究设计。JM、ADJ、ERL、MSG、JC、BM和SS对统计分析有贡献。所有作者都参与了数据的获取、分析或解释。JM, LHN和DAD写了初稿。DAD, WW, SO, CJS, JW, PWF, TDS, SB和AC获得了资助。JM、ADJ和LHN提供了行政、技术或物质支持。TDS、SB和AC共同监督这项工作。所有作者都对重要的知识内容进行了批判性的修改，并批准了最终版本的稿件。通讯作者证明所有列出的作者都符合作者标准，没有其他符合标准的作者被遗漏。TDS、SB和AC是最后的作者。
资金美国国立卫生研究院(K01DK110267, K01DK120742, K23DK120899, K23DK125838, P30DK046200, P30DK40561, U01HL145386, R24ES028521)，美国国家卫生研究院(MR/ m01660 /1)，英国医学研究委员会/工程和物理科学研究委员会(T213038/Z/18/Z)，威康信托基金(WT212904/Z/18/Z, WT203148/Z/16/Z, T213038/Z/18/Z)，马萨诸塞州病原准备联盟(masscrp -003)，美国消化病学协会(AGA2021-5102)，美国糖尿病协会(7-21-JDFM-005)和阿尔茨海默病协会(AS-JF-17-011)。
免责声明资助方在研究的设计和实施中没有任何作用;数据的收集、管理、分析和解释;稿件的准备、审阅或批准;并决定投稿出版。
相互竞争的利益JW、CH、SS及JC为Zoe有限公司的雇员。TDS, ERL和SB, Zoe有限公司区域顾问。DAD、JM和AC此前曾在一个饮食和生活方式的临床试验中担任调查员，该试验使用了一个独立的移动应用程序，由Zoe Ltd公司支持。
来源和同行评审不是委托;外部同行评审。
补充材料本内容由作者提供。它没有经过BMJ出版集团有限公司(BMJ)的审查，也可能没有经过同行评审。讨论的任何意见或建议仅仅是那些作者(s)和不被BMJ认可。BMJ放弃从放在内容上的任何依赖产生的所有责任和责任。如果内容包含任何翻译材料，BMJ不保证翻译的准确性和可靠性(包括但不限于当地法规、临床指南、术语、药品名称和药物剂量)，并且不对翻译和改编或其他原因引起的任何错误和/或遗漏负责。
请求的权限
如果您希望重用这篇文章的任何部分或全部，请使用下面的链接，它将带您访问版权清除中心的RightsLink服务。您将能够快速获得价格和以多种不同方式重用内容的即时许可。