Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
La promotion de la saine alimentation chez des femmes à risque de développer du diabète gestationnel
Thèse
Lydi-Anne Vézina-Im
Doctorat en nutrition Philosophiæ doctor (Ph.D.)
Québec, Canada
© Lydi-Anne Vézina-Im, 2016
La promotion de la saine alimentation chez des femmes à risque de développer du diabète gestationnel
Thèse
Lydi-Anne Vézina-Im
Sous la direction de :
Julie Robitaille, directrice de recherche Simone Lemieux, codirectrice de recherche
iii
RÉSUMÉ
L’objectif général de la thèse est d’identifier des moyens novateurs afin de promouvoir la
saine alimentation, soit la consommation de fruits et légumes, chez des femmes à risque de
développer du diabète gestationnel. L’Intervention Mapping a servi de cadre pour planifier
les étapes nécessaires au développement de l’intervention. Pour atteindre l’objectif de la
thèse, quatre projets de recherche distincts, mais complémentaires ont été réalisés. Le premier
projet de recherche impliquait d’effectuer une revue systématique sur la validation des
mesures auto-déclarées de l’alimentation durant la grossesse. L’objectif était de recenser les
méthodes utilisées pour mesurer l’alimentation durant la grossesse et de vérifier leurs qualités
psychométriques pour identifier les outils à privilégier pour évaluer l’alimentation des
femmes enceintes. L’objectif du deuxième projet de recherche était de valider un court
questionnaire sur la consommation de fruits et légumes chez des femmes enceintes. Le
troisième projet était une recherche formative dont l’objectif était de développer le contenu
d’un questionnaire utilisant l’activation des intentions pour favoriser la consommation de
fruits et légumes chez des femmes à risque de développer du diabète gestationnel. L’objectif
du quatrième projet de recherche était d’évaluer l’efficacité d’une intervention de type
activation des intentions comparativement à un groupe contrôle utilisant l’effet question-
comportement pour promouvoir la consommation de fruits et légumes chez des femmes en
âge de procréer (18 à 44 ans) à risque de développer du diabète gestationnel. Il s’est avéré
que l’activation des intentions et l’effet question-comportement sont des techniques efficaces
pour augmenter la consommation de légumes chez des femmes en âge de procréer à risque
de développer du diabète gestationnel. Ce résultat suggère que ces deux techniques peuvent
être utilisées pour favoriser une alimentation saine avant le début de la grossesse afin de
diminuer le risque de développer du diabète gestationnel ou du diabète de type 2 et ainsi
assurer la santé de la femme et celle de son enfant. Bref, les quatre projets de recherche de la
thèse ont permis de développer une intervention qui utilisait un outil validé pour mesurer la
consommation de fruits et légumes, qui répondait aux besoins de la population cible et qui
fut efficace pour promouvoir la saine alimentation chez des femmes à risque de développer
du diabète gestationnel.
iv
ABSTRACT
The general objective of this thesis is to identify innovative ways to promote healthy eating,
that is fruit and vegetable consumption, among women at risk of developing gestational
diabetes mellitus. Intervention Mapping was used to guide the development of the
intervention. To achieve the thesis’ goal, four distinct, but complementary research projects
were conducted. The first research project was a systematic review on the validation of self-
reported measures of foods and nutrients in pregnancy. The objective of this review was to
identify self-reported measures assessing diet during pregnancy and to critically appraise
their psychometric qualities in order to identify which tools should preferably be used among
pregnant women. The objective of the second research project was to validate a brief
questionnaire on fruit and vegetable consumption among pregnant women. The third project
was a formative research whose objective was to develop the content of a questionnaire using
implementation intentions to encourage fruit and vegetable intake in women at risk of
developing gestational diabetes mellitus. The objective of the fourth research project was to
test the efficacy of an implementation intentions intervention compared to a control group
based on the question-behavior effect to promote fruit and vegetable consumption among
childbearing age (18 to 44 years) women at risk of developing gestational diabetes mellitus.
Implementation intentions and the question-behavior effect were effective techniques to
increase vegetable consumption among childbearing age women at risk of developing
gestational diabetes mellitus. This result suggests that these two techniques can be used to
promote healthy eating before the onset of pregnancy to lower risks of developing gestational
diabetes mellitus or type 2 diabetes and thus favor the health of the woman and her child. In
sum, the thesis’ four research projects allowed the development of an intervention which
used a validated tool to measure fruit and vegetable intake, which addressed the target
population’s needs and that was effective in promoting healthy eating among women at risk
of developing gestational diabetes mellitus.
v
TABLE DES MATIÈRES RÉSUMÉ ............................................................................................................................... iii ABSTRACT .......................................................................................................................... iv TABLE DES MATIÈRES ...................................................................................................... v LISTE DES TABLEAUX .................................................................................................... vii LISTE DES FIGURES ........................................................................................................ viii LISTE DES ABRÉVIATIONS ............................................................................................. ix REMERCIEMENTS ............................................................................................................. xi AVANT-PROPOS ................................................................................................................ xii INTRODUCTION .................................................................................................................. 1 CHAPITRE 1: PROBLÉMATIQUE ...................................................................................... 2
1.1 Le diabète de type 2 et le diabète gestationnel ............................................................. 2 1.1.1 Définitions des principaux types de diabète ........................................................... 2 1.1.2 Diagnostic du diabète de type 2 et du diabète gestationnel.................................... 3 1.1.3 Conséquences du diabète de type 2 et du diabète gestationnel .............................. 5 1.1.4 Prévalence et incidence du diabète de type 2 et du diabète gestationnel ............. 10
1.2 La consommation de fruits et légumes ....................................................................... 14 1.2.1 Les bienfaits de la consommation de fruits et légumes ........................................ 14 1.2.2 Recommandations concernant la consommation de fruits et légumes ................. 16
1.2.2.1 Recommandations chez les adultes ............................................................... 16 1.2.2.2 Recommandations chez les femmes enceintes .............................................. 17
1.2.3 Portrait de la consommation de fruits et légumes ................................................ 18 1.2.3.1 La consommation de fruits et légumes chez les adultes ................................ 18 1.2.3.2 La consommation de fruits et légumes chez les femmes enceintes ............... 21 1.2.3.3 La consommation de fruits et légumes chez les femmes avec antécédent de diabète gestationnel ................................................................................................... 23
1.2.4 Les déterminants de la consommation de fruits et légumes ................................. 25 1.2.4.1 Les déterminants chez les adultes .................................................................. 25 1.2.4.2 Les déterminants chez les femmes enceintes ................................................ 27 1.2.4.3 Les déterminants chez les femmes avec antécédent de diabète gestationnel 29
1.2.5 Les interventions visant la promotion de la consommation de fruits et légumes 30 1.2.5.1 Les interventions chez les adultes ................................................................. 30 1.2.5.2 Les interventions chez les femmes enceintes ................................................ 32 1.2.5.3 Les interventions chez les femmes avec antécédent de diabète gestationnel 35
1.3 La validation de questionnaires alimentaires .............................................................. 38 1.3.1 Les types de validité et fidélité ............................................................................. 38 1.3.2 Les mesures auto-déclarées de l’alimentation ...................................................... 41 1.3.3 La mesure de la consommation de fruits et légumes ........................................... 44 1.3.4 La mesure de l’alimentation durant la grossesse .................................................. 47
1.4 Le développement d’interventions .............................................................................. 49 1.4.1 Les étapes lors du développement d’interventions .............................................. 49 1.4.2 L’utilité des théories dans l’élaboration des interventions ................................... 52 1.4.3 Le développement d’outils d’intervention ........................................................... 53
vi
1.4.4 L’effet question-comportement lors de la complétion d’un questionnaire sur les croyances concernant un comportement lié à la santé .................................................. 54 1.4.5 L’activation des intentions comme technique d’intervention .............................. 58
1.5 Les objectifs et hypothèses de recherche de la thèse .................................................. 64 CHAPITRE 2: VALIDITY AND RELIABILITY OF SELF-REPORTED MEASURES OF FOODS AND NUTRIENTS IN PREGNANCY: A SYSTEMATIC REVIEW ......................... 67
Résumé .............................................................................................................................. 67 Abstract ............................................................................................................................. 68
CHAPITRE 3: VALIDITY AND RELIABILITY OF A BRIEF SELF-REPORTED QUESTIONNAIRE ASSESSING FRUIT AND VEGETABLE CONSUMPTION AMONG PREGNANT WOMEN ........................................................................................................ 161
Résumé ............................................................................................................................ 161 Abstract ........................................................................................................................... 162
CHAPITRE 4: FORMATIVE RESEARCH TO DESIGN AN IMPLEMENTATION INTENTIONS INTERVENTION PROMOTING FRUIT AND VEGETABLE CONSUMPTION AMONG WOMEN AT RISK OF DEVELOPING GESTATIONAL DIABETES MELLITUS ............................................................................................................................................ 189
Résumé ............................................................................................................................ 189 Abstract ........................................................................................................................... 190
CHAPITRE 5: IMPLEMENTATION INTENTIONS INTERVENTION AND THE QUESTION-BEHAVIOUR EFFECT TO PROMOTE FRUIT AND VEGETABLE INTAKE IN CHILDBEARING AGE WOMEN AT RISK FOR GESTATIONAL DIABETES MELLITUS: A RANDOMISED CONTROLLED TRIAL ............................................................................. 212
Avant-propos ................................................................................................................... 212 Résumé ............................................................................................................................ 213 Abstract ........................................................................................................................... 214
CHAPITRE 6: DISCUSSION ............................................................................................ 234
6.1 Principaux constats ................................................................................................... 234 6.2 Limites et points forts des travaux de recherche ....................................................... 236 6.3 Pistes d’intervention et de recherche, perspectives futures et recommandations ..... 241
6.3.1 Revue systématique ............................................................................................ 241 6.3.2 Étude de validation ............................................................................................. 242 6.3.3 Recherche formative .......................................................................................... 244 6.3.4 Étude d’intervention ........................................................................................... 244
CONCLUSION .................................................................................................................. 251 BIBLIOGRAPHIE ............................................................................................................. 253 ANNEXE 1: QUESTIONNAIRE DE GODIN ET COLLABORATEURS (2008) SUR LA CONSOMMATION DE FRUITS ET LÉGUMES ............................................................ 276
vii
LISTE DES TABLEAUX
Tableau 1. Facteurs de risque pour le diabète de type 2 et le diabète gestationnel ................ 3 Tableau 2. Tests et valeurs pour le diagnostic du diabète de type 2 et du diabète gestationnel ............................................................................................................................. 5 Tableau 3. Définitions et exemples d’une portion du groupe alimentaire légumes et fruits du Guide alimentaire canadien .................................................................................................. 17 Tableau 4. Principales forces et faiblesses des mesures auto-déclarées de l’alimentation ... 44 Tableau 5. Résumé des pistes d’intervention et de recherche, perspectives futures et recommandations ................................................................................................................ 249
viii
LISTE DES FIGURES
Figure 1. Prévalence du diabète au Canada et au Québec, 2009-2014 ................................. 11 Figure 2. Théorie du comportement planifié ........................................................................ 27 Figure 3. Modèle de l’Intervention Mapping ....................................................................... 50 Figure 4. Modèle des phases de l’action .............................................................................. 59 Figure 5. Modèle du processus d’action en santé ................................................................. 60
ix
LISTE DES ABRÉVIATIONS
BMI Body mass index CER Comité d’éthique de la recherche CHU Centre hospitalier universitaire CHUL Centre hospitalier de l’Université Laval CLSC Centre local de services communautaires CSSS Centre de santé et de services sociaux DASH Dietary Approaches to Stop Hypertension ESCC Enquête sur la santé dans les collectivités canadiennes FFQ Questionnaire de fréquence alimentaire (food-frequency questionnaire) FR Journal alimentaire (food record) FV Fruits et légumes (fruit and vegetable) FVS Fruit and vegetable screener GDM Diabète gestationnel (gestational diabetes mellitus) GMF Groupe de médecine de famille HAPA Modèle du processus d’action en santé (Health Action Process Approach) HGOP Hyperglycémie orale provoquée IADPSG International Association of Diabetes and Pregnancy Study Groups II Activation des intentions (implementation intentions) IMC Indice de masse corporel INAF Institut sur la nutrition et les aliments fonctionnels INSPQ Institut national de santé publique du Québec ISBNPA International Society of Behavioral Nutrition and Physical Activity PEPS Pavillon de l’Éducation Physique et des Sports PRISMA Preferred reporting items for systematic reviews and meta-analyses QBE Effet question-comportement (question-behavior effect) TPB Théorie du comportement planifié (Theory of Planned Behavior) UMF Unité de médecine familiale
x
“There is nothing more practical than a good theory (Kurt Lewin, 1952, p.169).”
xi
REMERCIEMENTS
Je tiens en premier lieu à remercier ma directrice de recherche, Dre Julie Robitaille, pour tout
ce qu’elle a fait pour moi ainsi que son équipe de recherche. Parmi son équipe de recherche,
un merci tout particulier à sa professionnelle de recherche, Mme Julie Perron, qui était en
charge des rencontres et de l’évaluation des apports alimentaires des participantes. Je tiens
aussi à remercier ma co-directrice de recherche, Dre Simone Lemieux. Je désire également
remercier mes co-auteurs, Dr Gaston Godin et Dr Charles Couillard, pour leur contribution
à l’étude de validation.
Je tiens à remercier l’équipe de l’Unité clinique de l’Institut sur la nutrition et les aliments
fonctionnels (INAF) pour nous avoir prêté leurs locaux et leurs équipements et merci à leur
infirmier, M. Steeve Larouche, pour les prises de sang. Je veux remercier M. Pascal Dubé de
l’INAF pour le dosage des caroténoïdes plasmatiques. Je désire remercier M. Aurélien
Nicosia et Mme Hélène Crépeau du Service de consultation statistique de l’Université Laval
ainsi que M. Stéphane Turcotte de la Plateforme de recherche clinique du Centre hospitalier
universitaire de Québec pour leur aide lors des analyses statistiques. Je tiens aussi à remercier
les femmes qui ont participé aux différents projets de recherche.
Je tiens à remercier certaines personnes que j’ai côtoyées avant mes études de troisième cycle
à l’Université Laval et qui m’ont conseillé et encouragé à persévérer tout au long de mon
doctorat, soit Dr Gaston Godin et ses anciens étudiants au doctorat, Dre Mireille Lavoie,
Mme Herminé Naccache et ma gang d’Énergie cardio. Je veux aussi remercier mes parents
pour m’avoir soutenu durant mes études de doctorat.
Enfin, je tiens à remercier les Instituts de recherche en santé (IRSC) pour leur appui financier
sous forme d’une bourse au doctorat du Programme des bourses d’études supérieures du
Canada F. Banting et C. Best tout au long de mon doctorat et d’une bourse de voyage pour
participer à la conférence de l’Association canadienne de santé publique. Je veux aussi
remercier l’INAF pour leur aide financière pour une présentation dans un congrès
international.
xii
AVANT-PROPOS
L’objectif de cette thèse était d’identifier des moyens novateurs afin de promouvoir la saine
alimentation, soit la consommation de fruits et légumes, chez des femmes à risque de
développer du diabète gestationnel. L’Intervention Mapping a servi de cadre pour planifier
les étapes nécessaires au développement de l’intervention. Quatre projets de recherche faisant
l’objet de publications distinctes ont été réalisés afin d’atteindre l’objectif de la thèse. Les
deux premiers articles abordent la validation d’outils auto-déclarés servant à mesurer
l’alimentation durant la grossesse alors que les deux derniers concernent une intervention
psychosociale visant à promouvoir la consommation de fruits et légumes chez des femmes à
risque de développer du diabète gestationnel.
Le premier article intitulé «Validity and Reliability of Self-Reported Measures of Foods and
Nutrients in Pregnancy: A Systematic Review» a été publié dans Current Nutrition Reports
en 2014. La version qui apparaît dans la thèse est celle avant les corrections finales. Je suis
la première auteure de cette publication et la deuxième auteure est ma directrice de recherche,
Dre Julie Robitaille. Dans le cadre de cette revue systématique, j’ai élaboré la question de
recherche et la stratégie de recherche pour chacune des bases de données, recherché les
articles dans les bases de données pour inclusion dans la revue systématique, sélectionné les
articles, extrait, saisi et analysé les données et rédigé le manuscrit. Dre Julie Robitaille a
confirmé la sélection des articles inclus dans la revue systématique, effectué la double
extraction des données, participé à l’interprétation des résultats et révisé le manuscrit.
Le deuxième article intitulé «Validity and Reliability of a Brief Self-Reported Questionnaire
Assessing Fruit and Vegetable Consumption among Pregnant Women» a été soumis pour
publication le 26 janvier 2016 à la revue BMC Public Health. Suite à la réception des
commentaires des réviseurs le 26 avril 2016, une première version révisée a été soumise le
23 mai 2016. Suite à la réception des commentaires de l’éditeur le 15 juin 2016, une deuxième
version révisée a été soumise le 6 juillet 2016. La version qui apparaît dans la thèse est celle
qui a été révisée suite aux commentaires des réviseurs et de l’éditeur. Je suis la première
auteure de cette publication. Les co-auteurs sont: Dr Gaston Godin, Dr Charles Couillard,
xiii
Mme Julie Perron, Dre Simone Lemieux et Dre Julie Robitaille. Dans le cadre de cette étude
de validation, j’ai développé le projet de recherche, soumis la demande d’approbation au
Comité d’éthique de la recherche (CER) du Centre hospitalier universitaire (CHU) de
Québec, recruté les participantes, envoyé les questionnaires, saisi et analysé les données,
présenté les résultats au 14e congrès de l’International Society of Behavioral Nutrition and
Physical Activity (ISBNPA) à Édimbourg (Écosse) en juin 2015 et rédigé le manuscrit. Dr
Gaston Godin a accepté que nous validions l’outil qu’il avait développé, participé à
l’interprétation des résultats et révisé le manuscrit. Dr Charles Couillard a conceptualisé les
analyses sur les biomarqueurs de la consommation de fruits et légumes, participé à
l’interprétation des résultats et révisé le manuscrit. Mme Julie Perron a effectué les entrevues
à l’aide des questionnaires de fréquence alimentaire (FFQ), saisi les données des FFQ et des
journaux alimentaires, participé à l’interprétation des résultats et révisé le manuscrit. Dre
Simone Lemieux a participé à l’interprétation des résultats et révisé le manuscrit. Dre Julie
Robitaille a participé au développement de l’étude, à l’interprétation des résultats et révisé le
manuscrit.
Le troisième article intitulé «Formative Research to Design an Implementation Intentions
Intervention Promoting Fruit and Vegetable Consumption among Women at Risk of
Developing Gestational Diabetes Mellitus» a été soumis pour publication le 15 août 2016 à
la revue Evaluation and Program Planning. La version qui apparaît dans la thèse est celle
qui a été soumise pour publication. Je suis la première auteure de cette publication. Les co-
auteurs sont ma co-directrice de recherche, Dre Simone Lemieux et ma directrice de
recherche, Dre Julie Robitaille. Dans le cadre de cette recherche formative, j’ai développé le
projet de recherche et le questionnaire à questions ouvertes pour la collecte de données,
soumis la demande d’approbation au CER de l’Université Laval, recruté les participantes,
analysé les données qualitatives, présenté les résultats au congrès de la Société québécoise
de lipidologie, de nutrition et de métabolisme à Orford en février 2015 et au 14e congrès de
l’ISBNPA à Édimbourg (Écosse) en juin 2015 et rédigé le manuscrit. Dre Simone Lemieux
a participé à l’interprétation des résultats et révisé le manuscrit. Dre Julie Robitaille a
participé au développement de l’étude et du questionnaire, à l’interprétation des résultats et
révisé le manuscrit.
xiv
Le quatrième article intitulé «Implementation Intentions and the Question-Behaviour Effect
to Promote Fruit and Vegetable Intake in Childbearing Age Women at Risk for Gestational
Diabetes Mellitus: A Randomised Controlled Trial» a été soumis pour publication le 1er août
2016 au Journal of Health Psychology. La version qui apparaît dans la thèse est celle qui a
été soumise pour publication. Je suis la première auteure de cette publication. Les co-auteurs
sont: Mme Julie Perron, Dre Simone Lemieux et Dre Julie Robitaille. Dans le cadre de cette
étude d’intervention, j’ai développé le projet de recherche et l’outil d’intervention selon les
résultats de la recherche formative, soumis les demandes d’approbation au CER du CHU de
Québec et au CER du Centre de santé et de services sociaux (CSSS) de la Vieille-Capitale,
recruté les participantes, saisi et analysé les données et rédigé le manuscrit. Les résultats au
suivi de 3 mois ont été présentés en juin 2016 au congrès de l’Association canadienne de
santé publique à Toronto et les résultats au suivi de 6 mois ont été présentés en mai 2016 au
International Congress on Obesity à Vancouver. Mme Julie Perron a effectué les mesures
anthropométriques des femmes (poids, taille et tour de taille) et les entrevues à l’aide des
FFQ, saisi les données des FFQ, contribué à l’interprétation des résultats et révisé le
manuscrit. Dre Simone Lemieux a participé à l’interprétation des résultats et révisé le
manuscrit. Dre Julie Robitaille a participé au développement de l’étude, à l’interprétation des
résultats et révisé le manuscrit.
1
INTRODUCTION
L’alimentation occupe une place importante dans la vie de tous les jours. Elle fournit les
éléments nutritifs nécessaires au bon fonctionnement du corps humain. Ceci s’avère
particulièrement vrai en préparation et durant la grossesse. En fait, une alimentation saine
avant le début de la grossesse aidera l’organisme à satisfaire les besoins nutritionnels du
fœtus lors de la grossesse alors que durant la grossesse, l’alimentation a également un impact
sur la croissance et le développement du fœtus (Ferland & O'Brien, 2003). Une alimentation
saine avant le début de la grossesse est aussi associée à une diminution du risque de
développer du diabète gestationnel (Tobias, Zhang, et al., 2012; Zhang et al., 2014) et chez
des femmes avec un antécédent de diabète gestationnel, une saine alimentation est associée
à une diminution du risque de développer du diabète de type 2 (Tobias, Hu, et al., 2012).
Néanmoins, les femmes avec un antécédent de diabète gestationnel auraient une alimentation
de moins bonne qualité comparativement aux femmes sans cet antécédent (Xiao, Simas,
Person, Goldberg, & Waring, 2015).
Un indicateur de la qualité de l’alimentation est la consommation de fruits et légumes
(Garriguet, 2009). La consommation de fruits et légumes durant la grossesse favoriserait une
grossesse et un enfant en santé à la naissance (Pistollato et al., 2015). La consommation de
fruits et légumes pourrait aussi diminuer les risques de développer du diabète de type 2
(Harding et al., 2008; Sargeant et al., 2001; Villegas et al., 2008; Y. Wu, Zhang, Jiang, &
Jiang, 2015) et du diabète gestationnel (Zhang, Schulze, Solomon, & Hu, 2006).
Malheureusement, plus de la moitié des femmes avec un antécédent de diabète gestationnel
auraient une alimentation déficitaire en fruits et légumes (Kieffer, Sinco, & Kim, 2006; C.
Kim, McEwen, et al., 2007; Persson, Winkvist, & Mogren, 2015; Zehle et al., 2008). Ainsi,
la période préconceptionnelle et la grossesse sont des moments privilégiés pour encourager
les femmes à adopter une alimentation saine incluant une variété de fruits et légumes afin
d’assurer leur santé ainsi que celle de leur enfant (Cuervo et al., 2014; Yamamoto,
McCormick, & Burris, 2014).
2
CHAPITRE 1: PROBLÉMATIQUE
1.1 Le diabète de type 2 et le diabète gestationnel
1.1.1 Définitions des principaux types de diabète
Les trois principaux types de diabète sont le diabète de type 1, le diabète de type 2 et le
diabète gestationnel (Comité d'experts des Lignes directrices de pratique clinique de
l’Association canadienne du diabète, 2013). Il existe aussi d’autres types particuliers de
diabètes peu communs tels que des formes de diabète définies génétiquement ou associées à
d’autres maladies ou à des médicaments (Comité d'experts des Lignes directrices de pratique
clinique de l’Association canadienne du diabète, 2013). «Le diabète de type 1 résulte surtout
de la destruction des cellules bêta du pancréas et prédispose à l’acidocétose (Comité d’experts
des Lignes directrices de pratique clinique de l’Association canadienne du diabète, 2013, p.
S370).» Il peut être d’origine immunitaire (p. ex.: diabète auto-immun latent chez l’adulte)
ou idiopathique, c’est-à-dire dont la cause est inconnue (Comité d'experts des Lignes
directrices de pratique clinique de l’Association canadienne du diabète, 2013). «Le diabète
de type 2 peut être surtout attribuable à une insulinorésistance accompagnée d’une carence
insulinique relative ou à une anomalie de la sécrétion accompagnée d’une insulinorésistance
(Comité d’experts des Lignes directrices de pratique clinique de l’Association canadienne du
diabète, 2013, p. S370).» Le diabète gestationnel est une intolérance au glucose qui apparaît
ou qui est diagnostiquée pour la première fois durant la grossesse (Comité d'experts des
Lignes directrices de pratique clinique de l’Association canadienne du diabète, 2013).
Il y a plusieurs similarités entre les facteurs de risque pour le diabète de type 2 et le diabète
gestationnel tels que l’âge avancé, les antécédents familiaux de diabète de type 2, les
antécédents de prédiabète et de diabète gestationnel, avoir accouché d’un enfant de poids
élevé, l’obésité, la présence de maladies associées au diabète et la prise de médicaments
associés au diabète (voir Tableau 1). Il est à noter que même si selon les Lignes directrices
de pratique clinique de l’Association canadienne du diabète (2013), un indice de masse
corporel (IMC) pré-grossesse de 30 kg/m2 (obésité) ou plus est considéré comme un facteur
de risque pour le diabète gestationnel, une étude récente indique que le surpoids (IMC ≥ 25
kg/m2) et non uniquement l’obésité est un facteur de risque important pour l’apparition de
cette maladie durant la grossesse (Cavicchia et al., 2014).
3
Tableau 1. Facteurs de risque pour le diabète de type 2 et le diabète gestationnel (Adapté de
l’Association canadienne du diabète, 2013)
Diabète de type 2 Diabète gestationnel
Âge de 40 ans et plus Âge de 35 ans et plus Parent du premier degré (père, mère, frère ou sœur) atteint de diabète de type 2
Parent du premier degré (père, mère, frère ou sœur) atteint de diabète de type 2
Origine ethnique à haut risque (autochtone, africaine, asiatique, hispanique ou sud-asiatique)
Origine ethnique à haut risque (autochtone, africaine, asiatique, hispanique ou sud-asiatique)
Antécédents de prédiabète (intolérance au glucose ou anomalie de la glycémie à jeun)
Antécédents de prédiabète
Antécédents de diabète gestationnel Diagnostic antérieur de diabète gestationnel lors d’une grossesse précédente
Accouchement d’un enfant de poids élevé à la naissance (> 4000 g)
Accouchement d’un enfant de poids élevé à la naissance (> 4000 g)
Présence de lésions aux organes cibles associés au diabète (maladies microvasculaires: rétinopathie, neuropathie ou néphropathie et maladies macrovasculaires: coronariennes, cérébrovasculaires et périphériques)
Présence de facteurs de risque vasculaires (cholestérol et triglycérides élevés, hypertension, poids excessif et obésité abdominale)
Être obèse (IMC pré-grossesse de 30 kg/m2)
Présence de maladies associées (syndrome des ovaires polykystiques, acanthosis nigricans, troubles psychiatriques, infection par le VIH et apnée obstructive du sommeil)
Être atteinte du syndrome des ovaires polykystiques ou d’acanthosis nigricans (taches foncées sur la peau)
Usage de médicaments associés au diabète (glucocorticoïdes, antipsychotiques atypiques, traitement antirétroviral hautement actif, etc.)
Prise de médicaments corticostéroïdes
Autres causes secondaires
1.1.2 Diagnostic du diabète de type 2 et du diabète gestationnel
Au Canada, il existe quatre principaux tests pour diagnostiquer un diabète de type 2: 1) la
glycémie à jeun, 2) le taux d’hémoglobine glycosylée, 3) la glycémie 2 heures après
l’ingestion de 75 g de glucose et 4) la glycémie aléatoire, soit à tout moment de la journée et
4
peu importe le moment du dernier repas (Comité d'experts des Lignes directrices de pratique
clinique de l’Association canadienne du diabète, 2013).
Il existe différents critères pour diagnostiquer un diabète gestationnel. Par exemple, aux
États-Unis, ce sont les critères de l’American Diabetes Association (2015), récemment mis à
jour, qui sont utilisés et l’Organisation mondiale de la Santé avait ses propres critères jusqu’à
ce qu’elle recommande en 2013 l’utilisation des critères de l’International Association of
Diabetes and Pregnancy Study Groups (IADPSG) (Metzger et al., 2010; World Health
Organization, 2013). Au Canada, ce sont les critères de l’Association canadienne du diabète
qui sont utilisés pour diagnostiquer le diabète gestationnel. L’Association canadienne du
diabète (2013) recommande un test de dépistage du diabète gestationnel chez toutes les
femmes enceintes entre la 24e et la 28e semaine de grossesse. Toutefois, chez les femmes
enceintes présentant plusieurs facteurs de risque pour le diabète gestationnel, le test doit être
effectué en début de grossesse et si le dépistage initial effectué avant la 24e semaine de
grossesse était négatif, il doit être fait à nouveau entre la 24e et 28e semaine de grossesse
(Comité d'experts des Lignes directrices de pratique clinique de l’Association canadienne du
diabète, 2013). Il est à noter qu’il n’y a pas consensus sur la nécessité d’effectuer le dépistage
de toutes les femmes enceintes (dépistage universel). Certains pays recommandent le
dépistage du diabète gestationnel uniquement chez les femmes enceintes présentant des
facteurs de risque pour cette pathologie (dépistage sélectif) (Comité d'experts des Lignes
directrices de pratique clinique de l’Association canadienne du diabète, 2013). L’American
Diabetes Association (2015) et l’IADPSG (Metzger et al., 2010) recommandent aussi le
dépistage universel du diabète gestationnel chez les femmes enceintes.
Au Canada, le dépistage du diabète gestationnel peut se faire par l’hyperglycémie orale
provoqué (HGOP) par l’ingestion de 50 ou 75 g de glucose (Comité d'experts des Lignes
directrices de pratique clinique de l’Association canadienne du diabète, 2013). L’approche
privilégiée par l’Association canadienne du diabète (2013) est la mesure de la glycémie après
une HGOP par 50 g de glucose, suivie de la mesure de la glycémie après une HGOP de 75 g
de glucose si nécessaire. L’HGOP par l’ingestion de 50 g de glucose implique deux prises de
sang à n’importe quel moment de la journée: 1) une prise de sang 1 heure après l’ingestion
5
du glucose et 2) si la glycémie est entre 7,8 et 11,0 mmol/L, le médecin proposera à la femme
enceinte d’effectuer l’HGOP par l’ingestion de 75 g de glucose afin de confirmer le
diagnostic de diabète gestationnel (Comité d'experts des Lignes directrices de pratique
clinique de l’Association canadienne du diabète, 2013). L’HGOP par l’ingestion de 75 g de
glucose nécessite trois prises de sang: 1) une prise de sang à jeun, 2) une prise de sang 1
heure après l’ingestion du glucose et 3) une prise de sang 2 heures après l’ingestion du
glucose (Comité d'experts des Lignes directrices de pratique clinique de l’Association
canadienne du diabète, 2013) (voir Tableau 2).
Tableau 2. Tests et valeurs pour le diagnostic du diabète de type 2 et du diabète gestationnel
(Adapté de l’Association canadienne du diabète, 2013)
Diabète de type 2 Diabète gestationnel
Glycémie à jeun ≥ 7,0 mmol/L Hyperglycémie orale (HGOP) par l’ingestion de 50 g de glucose: -Glycémie 1 h après HGOP ≥ 11,0 mmol/L -Si glycémie entre 7,8 et 11,0 mmol/L, HGOP par l’ingestion de 75 g de glucose pour confirmer le diagnostic de diabète gestationnel: -Glycémie à jeun ≥ 5,3 mmol/L -Glycémie 1 h après HGOP ≥ 10,6 mmol/L -Glycémie 2 h après HGOP ≥ 9,0 mmol/L
Glycémie 2 h après l’ingestion de 75 g de glucose ≥ 11,1 mmol/L
HGOP par l’ingestion de 75 g de glucose: -Glycémie à jeun ≥ 5,1 mmol/L -Glycémie 1 h après HGOP ≥ 10 mmol/L -Glycémie 2 h après HGOP ≥ 8,5 mmol/L
Taux d’hémoglobine glycosylée ≥ 6,5% Glycémie aléatoire ≥ 11,1 mmol/L
1.1.3 Conséquences du diabète de type 2 et du diabète gestationnel
Le diabète de type 2 peut entraîner deux catégories de complications, soit les complications
microvasculaires causées par des lésions aux petits vaisseaux sanguins et les complications
macrovasculaires causées par des lésions aux grands vaisseaux sanguins (Organisation
mondiale de la Santé, 2015). Les complications microvasculaires incluent plusieurs lésions
telles que celles oculaires (rétinopathie) entraînant la cécité, celles rénales (néphropathie)
entraînant l’insuffisance rénale, celles nerveuses (neuropathie) et celles aux pieds qui peuvent
6
conduire à l’amputation (Organisation mondiale de la Santé, 2015). Aux États-Unis, 40,3%
des adultes diabétiques auraient une rétinopathie comparativement à seulement 3,4% de la
population générale, ce qui suggère une prévalence beaucoup plus élevée de cette condition
médicale chez les personnes diabétiques (Kempen et al., 2004). De plus, plus d’une personne
sur trois avec un diabète de type 2 auraient des problèmes de fonction rénale (Eboh &
Chowdhury, 2015). Il y a aussi 26,4% des adultes diabétiques qui rapportent avoir des
neuropathies périphériques douloureuses, ce qui a un impact sur leur qualité de vie (Davies,
Brophy, Williams, & Taylor, 2006). Les ulcères aux pieds seraient également fréquents chez
les individus diabétiques avec des incidences variant entre 8 et 17% (Crawford, Inkster,
Kleijnen, & Fahey, 2007). Les complications macrovasculaires font référence aux maladies
cardiovasculaires et à la mauvaise circulation sanguine dans les jambes (Organisation
mondiale de la Santé, 2015). En fait, les adultes ayant un diabète de type 2 sont plus à risque
de développer des maladies cardiovasculaires comparativement aux personnes non-
diabétiques (Booth, Kapral, Fung, & Tu, 2006; Haffner, Lehto, Ronnemaa, Pyorala, &
Laakso, 1998). À titre d’exemple, sur une période de 7 ans, l’incidence d’infarctus du
myocarde était de 20,2% chez les personnes diabétiques et de 3,5% chez celles non-
diabétiques et chez des individus avec antécédents d’infarctus du myocarde, ces chiffres
grimpaient à 45,0 et 18,8%, respectivement (Haffner et al., 1998).
Le diabète de type 2 n’aurait pas que des conséquences physiques, il aurait aussi un impact
important sur la qualité de vie de la personne qui en est atteinte et également celle de ses
proches. En effet, selon une large étude regroupant plus de 8 000 adultes diabétiques
provenant de 17 pays, 12% d’entre eux qualifiaient leur qualité de vie comme étant faible ou
très faible (Nicolucci et al., 2013). De plus, 14% des individus diabétiques avaient un score
de bien-être émotionnel assez bas pour suspecter un possible diagnostic de dépression et 45%
exprimaient ressentir de la détresse émotionnelle en raison de leur maladie (Nicolucci et al.,
2013). Les personnes diabétiques rapportaient que le diabète avait un impact négatif sur leurs
relations avec leur famille, leurs amis et leurs pairs (21%), sur leurs loisirs (38%), sur leur
travail ou études (35%) et sur leur situation financière (44%) (Nicolucci et al., 2013). Enfin,
pour environ 40% des adultes ayant un diabète, la prise de médication interférait avec leur
capacité de vivre une vie normale (Nicolucci et al., 2013). Ce même groupe de chercheurs a
7
aussi documenté l’impact du diabète sur plus de 2 000 proches de personnes diabétiques. Un
peu plus du tiers des membres de la famille mentionnaient que le diabète de leur proche
représentait un fardeau important et plus de la moitié d’entre eux percevaient que cette
maladie avait un impact sur plusieurs aspects de leur vie (Kovacs Burns et al., 2013). À cet
effet, les membres de la famille rapportaient que le fait de vivre avec quelqu’un diabétique
avait un impact négatif sur leur bien-être émotionnel (45%), leur situation financière (35%),
leurs loisirs (31%) et leur santé physique (27%) (Kovacs Burns et al., 2013). Ils
mentionnaient aussi ressentir un niveau élevé de détresse (40%) et être inquiets que leur
proche diabétique ait un épisode d’hypoglycémie (Kovacs Burns et al., 2013).
Le diabète de type 2 est aussi associé à d’importants frais de santé, en raison du traitement à
l’insuline et des multiples complications associées à cette pathologie (Brandle et al., 2003).
Par exemple, le traitement des complications macrovasculaires représenterait 57% des frais
de santé provenant des complications associées au diabète de type 2 (Zhuo, Zhang, &
Hoerger, 2013). Il importe aussi de mentionner que les coûts associés au diabète de type 2
varient selon le sexe de l’individu et de l’âge à lequel il a reçu le diagnostic de diabète (Zhuo
et al., 2013). En fait, être de sexe féminin et avoir été diagnostiqué diabétique à un jeune âge
(40 ans) entraîneraient des frais médicaux à vie plus élevés malgré la diminution de
l’espérance de vie (Zhuo et al., 2014). Aux États-Unis, il est estimé qu’en 2012 le diabète a
coûté 245 milliards de dollars américains, incluant 176 milliards de dollars en frais médicaux
et 69 milliards de dollars en termes de productivité réduite au travail (American Diabetes
Association, 2013). Parmi les frais médicaux, on retrouve, en ordre décroissant d’importance
des coûts, les hospitalisations, la prescription de médicaments pour traiter les complications
reliées au diabète, l’approvisionnement en médicaments antidiabétiques, les visites
médicales chez le médecin et les séjours en résidences de soins (American Diabetes
Association, 2013). Les personnes diabétiques ont des frais médicaux d’environ 13 700
dollars américains, dont 7 900 dollars sont attribuables au diabète (American Diabetes
Association, 2013). En fait, les individus diabétiques ont des frais médicaux 2,3 fois plus
importants que ceux qu’ils auraient s’ils n’étaient pas atteints de diabète (American Diabetes
Association, 2013).
8
Au Canada, le diabète aurait coûté 12,2 milliards de dollars canadiens en 2010 et le coût
devrait augmenter d’un autre 4,7 milliards de dollars en 2020 (Canadian Diabetes
Association, 2009). Lors de la publication du rapport de l’Association canadienne du diabète
en 2009, les coûts reliés au diabète représentaient 3,5% des dépenses en santé publique au
pays et les prévisions indiquaient que cette proportion allait augmenter compte tenu du
nombre grandissant de personnes atteintes de diabète (Canadian Diabetes Association, 2009).
Les frais reliés à l’achat de médicaments et autres dépenses en lien avec le diabète variaient
de 1 000 à 15 000 dollars canadiens par individu (Canadian Diabetes Association, 2014). Le
coût du diabète au Canada, ajusté pour l’inflation, devrait augmenter de 3,3% par année entre
2010 et 2020 et ceci serait dû à une augmentation du temps passé dans les hôpitaux et
cliniques médicales, et pour des traitements médicaux telles que des amputations (Canadian
Diabetes Association, 2009).
Au Québec, les coûts associés au diabète étaient de 2,2 milliards de dollars en 2010 et il est
prévu qu’ils atteignent 2,9 milliards de dollars en 2020 (Landry, Plante, Larocque, Simard,
& Kègle, 2015). Les coûts du diabète représentaient 23% des coûts totaux pour le système
de santé québécois, comparativement à 16 à 22% pour le reste du Canada (Diabète Québec
et Association Canadienne du Diabète, 2013). Les coûts annuels engagés par les patients
québécois ayant un diabète de type 2 étaient de 1 546 dollars canadiens en 2010 (Diabète
Québec et Association Canadienne du Diabète, 2013). Un rapport sur l’utilisation des
services de santé par les Montréalais diabétiques indique qu’en 2011-2012, 58% d’entre eux
ont consulté au moins un médecin spécialiste (ophtalmologiste, endocrinologue, cardiologue,
spécialiste en médecine interne et néphrologue) (Landry et al., 2015). En fait, les adultes
diabétiques de la région de Montréal avaient environ le même nombre de visites médicales
comparativement à ceux non-diabétiques (10,0 versus 8,3 visites), mais les personnes
diabétiques consultaient plus fréquemment des médecins spécialistes que des omnipraticiens
(Landry et al., 2015). Ce facteur pourrait expliquer les coûts importants associés au diabète
de type 2 au Québec.
Le diabète gestationnel est un facteur de risque important pour le développement du diabète
de type 2 après la grossesse (Bellamy, Casas, Hingorani, & Williams, 2009; Ben-Haroush,
9
Yogev, & Hod, 2004; Chamberlain et al., 2015; Cormier et al., 2015; C. Kim, Newton, &
Knopp, 2002) et le poids post-partum pourrait expliquer en partie ce risque élevé de
développer le diabète de type 2 (Bao et al., 2015; Moon et al., 2015; Vigneault et al., 2015).
En fait, les lignes directrices de pratique clinique de l’Association canadienne du diabète
(2013) recommandent aux femmes ayant eu un diabète gestationnel de subir un test de
dépistage du diabète de type 2 entre six semaines et six mois après l’accouchement et à tous
les trois ans (ou plus fréquemment lorsque la femme présente plusieurs facteurs de risque)
par la suite. Les femmes ayant eu un diabète gestationnel sont aussi plus à risque d’avoir des
maladies cardiovasculaires (Archambault, Arel, & Filion, 2014; Harreiter, Dovjak, &
Kautzky-Willer, 2014) et le syndrome métabolique (Harreiter et al., 2014). Elles sont
également plus prédisposées à développer des problèmes rénaux et ce, particulièrement si
elles ont eu plus d’une grossesses compliquées par un diabète gestationnel (Beharier et al.,
2015). Enfin, la récurrence du diabète gestationnel est également fréquente avec des taux de
récurrence variant entre 30 et 84% (England et al., 2015; C. Kim, Berger, & Chamany, 2007;
Schwartz, Nachum, & Green, 2015). Les taux de récurrence du diabète gestationnel
varieraient en fonction de l’origine ethnique et de la parité de la femme. Les taux de
récurrence du diabète gestationnel seraient plus faibles chez les femmes blanches non-
hispaniques et celles primipares (Schwartz et al., 2015).
Le diabète gestationnel peut aussi avoir des conséquences sur les enfants exposés in-utero à
ce type de diabète. À la naissance, ces enfants seraient plus à risque de souffrir de
macrosomie, soit être un bébé de plus de 4000 g, ce qui peut compliquer l’accouchement (p.
ex.: dystocie des épaules, déchirure du périnée, césarienne) (X. J. He et al., 2015; Kc, Shakya,
& Zhang, 2015). Plus tard, les enfants de mères ayant eu un diabète gestationnel seraient plus
à risque de développer de l’obésité (Harreiter et al., 2014; S. Y. Kim, Sharma, & Callaghan,
2012; Nehring, Chmitorz, Reulen, von Kries, & Ensenauer, 2013). Une étude rapporte que
vers l’âge de 6 ans, 29,2% des enfants de mères ayant un diabète gestationnel étaient en
surpoids ou obèses comparativement à 12,8% des enfants dont la mère n’a pas eu cette
pathologie et ce, indépendamment de l’IMC de la mère (Nehring et al., 2013). Ils seraient
aussi à risque de développer du diabète de type 2 à l’âge adulte (Clausen et al., 2008).
10
En somme, le diabète de type 2 et le diabète gestationnel ont tous les deux des conséquences
graves sur la santé physique des individus qui en sont atteints et le diabète gestationnel est
un facteur de risque pour le développement du diabète de type 2 après l’accouchement. Le
diabète de type 2 a aussi des conséquences sur la qualité de vie des personnes diabétiques
ainsi que celle de leurs proches et est associé à d’importants coûts de santé aux États-Unis,
au Canada et au Québec. Enfin, le diabète gestationnel a la particularité qu’il a aussi un effet
néfaste sur la santé du bébé à naître, tel que le risque de développer du diabète de type 2 à
l’âge adulte.
1.1.4 Prévalence et incidence du diabète de type 2 et du diabète gestationnel
Le diabète de type 2 est une des dix principales causes de mortalité dans le monde, ayant
causé 1,5 millions de décès en 2012 selon l’Organisation mondiale de la Santé (2014b). La
prévalence du diabète de type 2 est en hausse à l’échelle planétaire (Shaw, Sicree, & Zimmet,
2010; Wild, Roglic, Green, Sicree, & King, 2004). Il y aurait une augmentation prévue de
69% du nombre d’adultes diabétiques dans les pays en voie de développement et de 20%
dans les pays développés (Shaw et al., 2010). En 2014, la prévalence mondiale du diabète
était d’environ 9% chez les adultes (World Health Organization, 2014a). En Europe, la
prévalence du diabète était de 8,5% chez les adultes en 2013 (Tamayo et al., 2014). Aux
États-Unis, 9,3% de la population avait un diabète en 2012 (National Center for Chronic
Disease Prevention and Health Promotion, 2014). Il semble que plus d’hommes (13,6%) que
de femmes (11,2%) ont un diabète aux États-Unis (National Center for Chronic Disease
Prevention and Health Promotion, 2014). Les taux de diabète seraient aussi plus élevés chez
les Autochtones (15,9%), les Afro-Américains (13,2%), les Hispaniques (12,8%) et les
Américains asiatiques (9,0%) comparativement aux Américains blancs non-hispaniques
(7,6%) (National Center for Chronic Disease Prevention and Health Promotion, 2014). Aux
États-Unis, 1,7 millions d’adultes de 20 ans et plus ont été nouvellement diagnostiqués
diabétiques en 2012 (National Center for Chronic Disease Prevention and Health Promotion,
2014).
Au Canada, 6,7% de la population âgée de 12 ans et plus était diagnostiquée avec un diabète
en 2014 (Statistique Canada, 2015a). Comme aux États-Unis, le taux de diabète était plus
11
élevé chez les hommes (7,5%) comparativement aux femmes (5,8%) (Statistique Canada,
2015a). Il y avait aussi des disparités importantes entre les provinces du Canada. À titre
d’exemple, la prévalence du diabète était de 5% en Alberta comparativement à 9% à Terre-
Neuve-et-Labrador en 2014 (Statistique Canada, 2015a). La prévalence du diabète au Canada
semble plutôt stable depuis cinq ans avec des taux variant de 6,1 à 6,7% entre 2009 et 2014
(Statistique Canada, 2015a). Par contre, Diabète Québec et l’Association canadienne du
diabète (2013) prévoient que la prévalence du diabète va augmenter au Canada pour atteindre
10,8% en 2020. Au Québec, la prévalence du diabète était la même que pour le Canada entier,
soit 6,7% (Statistique Canada, 2015a). Les hommes québécois diabétiques (7,4%) étaient
également plus nombreux que leurs homologues féminins (6,0%) (Statistique Canada,
2015a). À l’opposé du Canada, la prévalence semble en légère hausse depuis 2009 au Québec
(voir Figure 1) et encore une fois, Diabète Québec et l’Association canadienne du diabète
(2013) prévoient que la prévalence va continuer d’augmenter pour atteindre 9,9% au Québec
en 2020.
Figure 1. Prévalence du diabète au Canada et au Québec, 2009-2014 (Statistique Canada,
2015a)
0
1
2
3
4
5
6
7
8
9
10
2009 2011 2012 2013 2014
Canada Québec
12
Les données de l’Institut national de santé publique du Québec semblent toutefois indiquer
que l’incidence du diabète, soit le nombre de nouveaux cas, était plutôt stable entre 2000-
2001 et 2006-2007 et ce, autant chez les hommes que chez les femmes et pour tous les
groupes d’âge, et aussi que le taux de mortalité chez les individus diabétiques a diminué
durant ces années (Pigeon & Larocque, 2011). Ainsi, il semblerait que la hausse de la
prévalence, soit le nombre de personnes diabétiques, soit en partie due au vieillissement de
la population et à la diminution de la mortalité chez celles-ci et non à une augmentation du
nombre de nouveaux cas de diabète (Pigeon & Larocque, 2011).
À l’instar du diabète de type 2, la prévalence du diabète gestationnel serait en forte hausse
chez tous les groupes ethniques (Ferrara, 2007). Il est toutefois difficile d’estimer la
prévalence du diabète gestationnel à l’échelle mondiale, car tel que mentionné dans la section
1.1.2 sur le diagnostic du diabète de type 2 et du diabète gestationnel, les pays utilisent
souvent des critères différents pour diagnostiquer la présence d’un diabète gestationnel. À
titre d’exemple, dans une revue systématique sur la prévalence du diabète gestationnel chez
les pays à revenu faible et moyen, sept critères diagnostiques différents pour le diabète
gestationnel étaient utilisés (Kanguru, Bezawada, Hussein, & Bell, 2014). Il y avait donc de
grands écarts dans la prévalence du diabète gestationnel entre ces pays, soit de 0,4 à 24,3%
(Kanguru et al., 2014). En Europe, la prévalence du diabète gestationnel varierait entre 2 et
6% selon une récente revue de la littérature (Buckley et al., 2012). Malgré qu’encore une fois
les critères utilisés pour diagnostiquer le diabète gestationnel variaient d’une étude à l’autre,
l’utilisation de critères diagnostiques différents ne semblait pas avoir d’effet systématique
sur la prévalence du diabète gestationnel rapportée par les études européennes (Buckley et
al., 2012).
Aux États-Unis, la prévalence du diabète gestationnel varierait entre 4,6 et 9,2% selon
diverses études récentes (Bardenheier et al., 2015; Correa, Bardenheier, Elixhauser, Geiss, &
Gregg, 2015; DeSisto, Kim, & Sharma, 2014; Jovanovic et al., 2015; Lynch et al., 2015).
Toutefois, la majorité des études américaines rapporte une prévalence du diabète gestationnel
(parfois ajustée pour l’âge) se situant aux alentours de 5 et 6% (Bardenheier et al., 2015;
Correa et al., 2015; Jovanovic et al., 2015; Lynch et al., 2015). Au Canada, il semble y avoir
13
peu d’études récentes sur la prévalence du diabète gestationnel. Les études actuelles
indiquent une prévalence de 2,2 à 3,7% chez la population canadienne non autochtone
(Aljohani et al., 2008; Dyck, Klomp, Tan, Turnell, & Boctor, 2002; Shen et al., 2015).
Toutefois, ces études ont été menées uniquement dans les provinces du Manitoba et de la
Saskatchewan. Elles ne permettent donc pas de savoir si cette prévalence s’applique à
l’ensemble du Canada. La prévalence du diabète gestationnel serait beaucoup plus élevée
chez les populations autochtones du Canada. Elle varierait entre 6,7 et 18% chez les femmes
autochtones du Québec, de l’Ontario, du Manitoba et de la Saskatchewan (Dyck et al., 2002;
Harris, Caulfield, Sugamori, Whalen, & Henning, 1997; S. Rodrigues, Robinson, & Gray-
Donald, 1999; Shen et al., 2015). Enfin, il importe de mentionner qu’il est préférable de ne
pas comparer les prévalences du diabète gestationnel entre les pays puisqu’il serait difficile
de savoir si les variations observées résultent des différents critères utilisés pour
diagnostiquer le diabète gestationnel ou si elles sont le reflet de différences réelles.
Bref, la prévalence du diabète de type 2 et du diabète gestationnel serait en hausse à travers
le monde. Les données mondiales semblent indiquer que les hommes sont plus à risque de
développer du diabète de type 2 que les femmes. L’origine ethnique (p. ex.: origine
autochtone) semble également avoir un impact sur la prédisposition à avoir un diabète de
type 2 et un diabète gestationnel. De plus, les données canadiennes sur le diabète de type 2
indiquent des disparités importantes entre les provinces du Canada concernant la prévalence
de cette maladie. Les données québécoises indiquent toutefois que l’incidence du diabète de
type 2 est stable depuis une dizaine d’années, ce qui s’expliquerait par la diminution de la
mortalité chez les personnes diabétiques. Malheureusement, la prévalence du diabète
gestationnel au Canada est beaucoup moins documentée que celle du diabète de type 2. Les
données actuelles indiquent une prévalence plus faible que pour le diabète de type 2. Par
contre, le nombre de cas de diabète gestationnel serait aussi en forte hausse à l’échelle
mondiale.
Tel que discuté dans cette section, le diabète de type 2 et le diabète gestationnel peuvent avoir
de graves conséquences sur la santé et la qualité de vie des individus qui en sont atteints ainsi
que celles de leurs proches ou de leur progéniture. Le diabète de type 2 est également associé
14
à d’importants coûts de santé. De plus, la prévalence de ces deux types de diabètes est en
hausse à l’échelle planétaire. Il y a donc lieu d’identifier les facteurs modifiables tels que les
habitudes alimentaires afin de prévenir l’apparition du diabète de type 2 et du diabète
gestationnel (Fardet & Boirie, 2014; Schoenaker, Mishra, Callaway, & Soedamah-Muthu,
2016). Le principal comportement qui a retenu l’attention des chercheurs dans le domaine de
la nutrition est la consommation de fruits et légumes.
1.2 La consommation de fruits et légumes
1.2.1 Les bienfaits de la consommation de fruits et légumes
La consommation de fruits et légumes a plusieurs effets bénéfiques sur la santé en prévenant
l’apparition de maladies chroniques associées à l’alimentation. Elle permettrait de diminuer
les risques de maladies coronariennes (Gan et al., 2015; Hartley et al., 2013; Joshipura et al.,
1999; Joshipura et al., 2001; Mirmiran, Noori, Zavareh, & Azizi, 2009; Steffen et al., 2003;
Threapleton et al., 2013) (p. ex.: accident vasculaire cérébral (F. J. He, Nowson, &
MacGregor, 2006; Hu, Huang, Wang, Zhang, & Qu, 2014)) chez la population générale,
incluant chez les femmes (Liu et al., 2000) et chez les personnes diabétiques (Savory et al.,
2014). La consommation de fruits et légumes pourrait aussi prévenir l’apparition de divers
types de cancers (Block, Patterson, & Subar, 1992; Riboli & Norat, 2003; Steinmetz & Potter,
1996; Vainio & Weiderpass, 2006), dont le cancer du pancréas (R. J. Jansen et al., 2011; R.
J. Jansen et al., 2013; Q. J. Wu et al., 2016), le cancer de l’estomac (Lunet, Lacerda-Vieira,
& Barros, 2005), le cancer du côlon (Magalhaes, Peleteiro, & Lunet, 2012; Zeng, Lazarova,
& Bordonaro, 2014) et le cancer du sein (Aune et al., 2012; Gandini, Merzenich, Robertson,
& Boyle, 2000). La consommation de fruits et légumes pourrait aussi diminuer les risques de
développer du diabète de type 2 (Harding et al., 2008; Sargeant et al., 2001; Villegas et al.,
2008; Y. Wu et al., 2015) et du diabète gestationnel (Zhang et al., 2006). Par contre, ce ne
sont pas toutes les études qui ont trouvé un effet protecteur de la consommation de fruits et
légumes sur l’apparition du diabète de type 2 (Flood et al., 2008; Liu et al., 2004) et du
diabète gestationnel (Ley et al., 2011; Radesky et al., 2008). En somme, la consommation de
fruits et légumes diminuerait les risques de multimorbidité (Ruel et al., 2013).
15
Il semble que pour que la consommation de fruits et légumes puisse prévenir l’apparition de
plusieurs maladies, la quantité et la variété de fruits et légumes consommés seraient
importantes. Par exemple, la consommation d’une quantité importante de fruits et légumes
est associée à une diminution du risque de maladies coronariennes (Bhupathiraju et al., 2013)
alors que la consommation d’une grande variété de fruits et légumes est associée à une
réduction de la protéine C réactive, un marqueur plasmatique de l’inflammation pour
plusieurs maladies (Bhupathiraju & Tucker, 2011). Pour la prévention de l’apparition du
diabète de type 2, la quantité et la variété seraient toutes les deux importantes (Cooper, Sharp,
et al., 2012). Certaines études ont aussi identifié des catégories d’aliments qui sont associées
à la prévention des maladies. Par exemple, ce serait la consommation de légumes (Villegas
et al., 2008), en particulier celle des légumes verts feuillus (Bazzano, Li, Joshipura, & Hu,
2008; Carter, Gray, Troughton, Khunti, & Davies, 2010; Cooper, Forouhi, et al., 2012; Liu
et al., 2004), qui préviendrait le diabète de type 2.
Les mécanismes responsables de l’effet protecteur de la consommation de fruits et légumes
(ou de légumes verts feuillus) ne sont pas encore bien connus. Les effets positifs sur le risque
de maladies coronariennes découleraient de la teneur élevée en fibres des fruits et légumes
(Threapleton et al., 2013) alors que ceux sur le cancer seraient plutôt dus à leur contenu en
polyphénols (Spagnuolo et al., 2012). L’effet positif des fruits et légumes sur le diabète serait
en partie causé par leur teneur élevée en fibres, en nutriments antioxydants et en magnésium
(Mann & Aune, 2010). Il est toutefois bien documenté que la consommation de fruits et
légumes aide à la gestion du poids (Davis, Hodges, & Gillham, 2006; Kahn et al., 1997;
Kromhout, Bloemberg, Seidell, Nissinen, & Menotti, 2001; Ledoux, Hingle, & Baranowski,
2011; Lin & Morrison, 2002; Nelson & Tucker, 1996; Rolls, Ello-Martin, & Tohill, 2004;
Schwingshackl et al., 2015; Swinburn, Caterson, Seidell, & James, 2004; Togo, Osler,
Sorensen, & Heitmann, 2004; Vioque, Weinbrenner, Castello, Asensio, & Garcia de la Hera,
2008), incluant chez les femmes (Aljadani et al., 2013; K. He et al., 2004). Cet effet sur le
poids corporel serait en partie attribuable au fait que les fruits et légumes ont une teneur
élevée en fibres, ce qui contribuerait au sentiment de satiété et ainsi diminuerait la quantité
de nourriture ingérée (Slavin, 2005). Il est donc possible que l’effet positif sur le diabète de
type 2 soit médié par l’effet que les fruits et légumes ont sur le poids corporel (Mann & Aune,
16
2010). Ce même mécanisme pourrait expliquer l’impact positif de la consommation de fruits
et légumes sur le diabète gestationnel puisque le gain de poids excessif, particulièrement lors
du premier trimestre, est associé à un risque accru de développer le diabète gestationnel
(Brunner et al., 2015; Hedderson, Gunderson, & Ferrara, 2010; Morisset et al., 2011).
Bref, la consommation d’une grande quantité et variété de fruits et légumes est associée à
plusieurs bienfaits sur la santé. La consommation de légumes verts feuillus serait
particulièrement bénéfique pour prévenir l’apparition du diabète de type 2. Par contre, les
mécanismes responsables de l’effet protecteur des fruits et légumes sur l’apparition de
diverses maladies ne sont pas encore été bien identifiés. L’hypothèse actuelle la plus
plausible est que manger des fruits et légumes a un impact sur la gestion du poids corporel
compte tenu de leur teneur élevée en fibres.
1.2.2 Recommandations concernant la consommation de fruits et légumes
1.2.2.1 Recommandations chez les adultes
L’Organisation mondiale de la Santé recommande une consommation d’au moins 400 g de
fruits et légumes par jour, excluant les pommes de terre et autres féculents, ce qui équivaut à
cinq portions de fruits et légumes de 80 g chacune (World Health Organization, 2003). Au
Royaume-Uni, la recommandation est de consommer cinq portions de fruits et légumes par
jour, excluant les pommes de terre (National Health Service, 2015). Aux États-Unis, les
nouvelles recommandations quotidiennes concernant la consommation de fruits et légumes
sont de 2 tasses de fruits pour les femmes de 19 à 30 ans et de 1½ tasses de fruits pour les
femmes de 31 à 50 ans et de 2½ tasses de légumes chez les femmes de 19 à 50 ans (United
States Department of Agriculture, 2015). Chez les hommes de 19 à 50 ans, il est recommandé
de consommer 2 tasses de fruits et 3 tasses de légumes (United States Department of
Agriculture, 2015). Il est à noter que ces recommandations sont pour les personnes qui font
moins de 30 minutes d’activité physique d’intensité modérée par jour.
Au Canada, c’est le Guide alimentaire canadien qui fournit des recommandations en nutrition
adaptées à la réalité des Canadiens. Le Guide alimentaire canadien recommande de
17
consommer 7 à 8 portions de fruits et légumes par jour chez les femmes âgées entre 19 et 50
ans et 8 à 10 portions chez les hommes du même âge (Santé Canada, 2011). Ce qui
correspond à une portion de fruit ou de légume varie selon la catégorie d’aliment (légumes,
fruits ou jus) et selon son état (frais, surgelé, en conserve, cuit ou cru) (voir Tableau 3).
Tableau 3. Définitions et exemples d’une portion du groupe alimentaire légumes et fruits du
Guide alimentaire canadien (Santé Canada, 2011)
Catégories d’aliments Définition d’une portion
Exemples
Lég
um
es
Légumes frais 125 ml (½ tasse) Brocoli, carottes, poivrons Légumes surgelés 125 ml (½ tasse) Macédoine et pois surgelés Légumes en conserve Légumes feuillus cuits
125 ml (½ tasse) 125 ml (½ tasse)
Pois et maïs en conserve Chou vert et chou chinois cuits
Légumes feuillus crus 250 ml (1 tasse) Laitue verte, rouge ou romaine
Fru
its Fruits frais
Fruits surgelés 1 fruit 125 ml (½ tasse)
Banane, orange, pomme Framboises et bleuets surgelés
Fruits en conserve 125 ml (½ tasse) Pêches et poires en conserve
Jus Jus 100% purs 125 ml (½ tasse) Jus de légumes ou de fruits purs
En somme, les recommandations concernant la consommation de fruits et légumes chez les
adultes varient d’un pays à l’autre, mais le consensus général est de consommer au moins
cinq portions de fruits et légumes par jour. La définition d’une portion de fruit et légume
varie également d’un pays à l’autre, tout comme ce qui peut être inclus comme un fruit (p.
ex.: jus de fruits 100% purs ou fruits séchés) ou un légume (p. ex.: pommes de terre et
féculents). Selon le pays, les recommandations concernant la consommation de fruits et
légumes chez les adultes peuvent varier en fonction du sexe, de l’âge et du niveau d’activité
physique des individus.
1.2.2.2 Recommandations chez les femmes enceintes
En France, la recommandation de consommer au moins cinq fruits et légumes par jour chez
les adultes s’applique aussi aux femmes enceintes (Institut national de prévention et
18
d'éducation pour la santé, 2015). Au Canada, le nombre recommandé de portions de fruits et
légumes à consommer quotidiennement chez les femmes enceintes est le même que chez les
femmes adultes de 19 à 50 ans, soit 7 à 8 portions de fruits et légumes par jour (Santé Canada,
2011). Toutefois, le Guide alimentaire canadien recommande aux femmes enceintes dans
leur deuxième et troisième trimestres de grossesse et aux femmes qui allaitent de consommer
chaque jour deux ou trois portions additionnelles du Guide alimentaire canadien provenant
de n’importe quel groupe alimentaire que ce soit sous forme de collations ou lors des repas
(Santé Canada, 2011). Bref, la France et le Canada ont la particularité de fournir des
recommandations spécifiques aux femmes enceintes concernant la consommation de fruits
et légumes.
1.2.3 Portrait de la consommation de fruits et légumes
1.2.3.1 La consommation de fruits et légumes chez les adultes
En Europe, la consommation moyenne de fruits et légumes en 2012 était de 386 g par jour,
soit 166 g pour les fruits et 220 g pour les légumes, ce qui est légèrement inférieur aux
recommandations de l’Organisation mondiale de la Santé de 400 g de fruits et légumes par
jour (European Food Information Council, 2012). Il y avait aussi des disparités importantes
entre les pays concernant la consommation quotidienne moyenne de fruits et légumes allant
de 577 g par jour pour la Pologne à 196 g par jour pour l’Islande (European Food Information
Council, 2012). Certaines études ont remarqué que ces disparités variaient en fonction de
l’emplacement géographique des pays à travers l’Europe (Roos, Johansson, Kasmel,
Klumbiene, & Prattala, 2001; Stefler & Bobak, 2015). De plus, la Pologne (577 g/jour),
l’Italie (452 g/jour), l’Allemagne (442 g/jour) et l’Autriche (413 g/jour) étaient les seuls pays
en Europe qui avaient une consommation quotidienne moyenne qui respecte les
recommandations de l’Organisation mondiale de la Santé (European Food Information
Council, 2012). La France (342 g/jour) et le Royaume-Uni (258 g/jour) avaient ainsi des
moyennes de consommation quotidienne de fruits et légumes insuffisantes pour en tirer un
maximum de bénéfices au plan de la santé (European Food Information Council, 2012).
Lorsque calculée en nombre de portions, la consommation de fruits et légumes au Royaume-
Uni chez les adultes de 19 à 64 ans était encore inadéquate avec une moyenne de 4,1 portions
par jour en 2012 (Public Health England, 2014). Il semble aussi que les femmes rapportent
19
consommer des fruits et légumes plus fréquemment que les hommes dans la quasi-totalité
des pays européens (Organization for Economic Co-operation and Development, 2014).
Bref, ce serait moins de la moitié des pays de l’Europe qui auraient une consommation de
fruits et légumes qui respecte les recommandations de l’Organisation mondiale de la Santé
(World Health Organization, 2006).
Aux États-Unis, la fréquence médiane de consommation était de 1,1 fruits et 1,6 légumes par
jour en 2013 (National Center for Chronic Disease Prevention and Health Promotion, 2013).
Lorsque ces données sont converties en tasses afin de correspondre aux anciennes
recommandations américaines de 1½ à 2 tasses de fruits et 2½ à 3 tasses de légumes par jour,
13,1 et 8,9% des Américains consomment suffisamment de fruits et légumes, respectivement
(Moore & Thompson, 2015). Concernant la consommation de fruits, les pourcentages de la
population américaine qui en consommaient suffisamment variaient entre 7,5% pour le
Tennessee à 17,7% pour la Californie et pour les légumes, ils allaient de 5,5% au Mississippi
à 13,0% en Californie (Moore & Thompson, 2015). La consommation de fruits et légumes
semblait également varier en fonction du sexe avec une fréquence médiane de consommation
de 1,10 à 1,43 fruits et 1,57 à 1,86 légumes chez les femmes comparativement à 1,00 à 1,17
fruits et 1,43 à 1,57 légumes chez les hommes (Moore et al., 2015). À l’instar de l’Europe, il
semble ainsi qu’aux États-Unis, il y ait des disparités dans la consommation de fruits et
légumes en fonction de l’emplacement géographique et du sexe des individus.
Au Canada, c’était seulement 39,5% des personnes de 12 ans et plus qui rapportaient
consommer des fruits et légumes au moins cinq fois par jour en 2014 (Statistics Canada,
2015). Il y avait aussi des disparités entre les provinces avec des proportions variant de 23,9%
au Nunavut à 46,3% au Québec (Statistique Canada, 2015a). En fait, le Québec était la seule
province à afficher un pourcentage de répondants affirmant avoir consommé
quotidiennement des fruits et légumes à au moins cinq reprises supérieur à la moyenne du
Canada (Statistique Canada, 2015a). L’Alberta, la Colombie-Britannique et le Yukon avaient
des moyennes similaires à la moyenne nationale et les autres provinces affichaient des
moyennes inférieures à celle-ci (Statistique Canada, 2015a). De plus, comme en Europe et
aux États-Unis, les proportions de femmes indiquant avoir mangé des fruits et légumes au
20
moins cinq fois par jour étaient supérieures à celles des hommes pour tous les groupes d’âge.
En fait, 46,6% des femmes canadiennes mentionnaient avoir consommé des fruits et légumes
à au moins cinq reprises dans la journée contre 32,1% des hommes (Statistique Canada,
2015a).
Au Québec, il y avait 46,3% des personnes de 12 ans et plus qui mentionnaient avoir
consommé des fruits et légumes au moins cinq fois par jour en 2014 (Statistique Canada,
2015b). À l’instar du Canada, il y avait des disparités entre les régions du Québec avec des
pourcentages allant de 38,9% dans la région de la Mauricie et du Centre-du-Québec à 53,2%
dans la région de la Gaspésie et des Îles-de-la-Madeleine (Statistique Canada, 2015b). De
plus, quelques régions du Québec affichaient des proportions supérieures à la moyenne
québécoise, soit la région de la Gaspésie et des Îles-de-la-Madeleine (53,2%), la région de
l’Estrie (53,0%), la région de la Capitale-Nationale (51,6%), la région de Laval (49,9%), la
région de Chaudière-Appalaches (48,1%) et la région de la Montérégie (47,3%) (Statistique
Canada, 2015b). Les femmes québécoises étaient aussi plus nombreuses à consommer des
fruits et légumes à au moins cinq reprises par jour, soit 55,2% comparativement à 37,1% chez
les hommes (Statistique Canada, 2015b). Il semble aussi que la consommation de fruits et
légumes soit plus faible chez les adultes québécois en surplus de poids (IMC ≥ 25 kg/m2)
(Lamontagne, Plante, & Rochette, 2011). De plus, selon l’Enquête sur la santé dans les
collectivités canadiennes (ESCC) cycle 2,2 de 2004, les adultes québécois consommaient
principalement leurs fruits sous forme de jus (44%) et les principaux fruits consommés
étaient les pommes (12%), les melons (9%), les bananes (8%) et les agrumes (6%) et les
principaux légumes consommés étaient les tomates (16%), la laitue et les autres légumes
verts feuillus (13%) et les pommes de terre (10%) (Blanchet, Plante, & Rochette, 2009). Pour
les légumes, il y avait aussi une catégorie «autres légumes» qui représentait 18% des portions
de légumes consommés par les Québécois et qui inclut le concombre, les betteraves et le
navet (Blanchet et al., 2009). Cette même enquête a aussi révélé que la consommation de
fruits et légumes chez les Québécois était plus élevée chez les plus scolarisés et ceux ayant
un revenu plus élevé (Blanchet et al., 2009). Enfin, l’achat de fruits et légumes représentait
18,8% des achats alimentaires des Québécois entre 2006 et 2010, ce qui en faisait la catégorie
21
d’aliments qui contribuait le plus en dollars au total de leurs achats alimentaires (Blanchet &
Rochette, 2014).
Pour conclure, il semblerait que moins de la moitié de la population adulte à l’échelle
planétaire consomme suffisamment de fruits et légumes pour en tirer les bienfaits associés à
la prévention des maladies chroniques. Les États-Unis seraient en tête de liste avec moins de
20% de la population adulte qui consomme suffisamment de fruits et légumes, suivi du
Canada (moins de 40%) et du Québec (moins de 50%). Il apparaît aussi que les femmes
consomment généralement plus de fruits et légumes que les hommes. Enfin, il semble y avoir
des différences dans la consommation de fruits et légumes en fonction de l’emplacement
géographique des individus. Toutefois, il est à noter que les variations entre les pays
concernant les statistiques sur la consommation de fruits et légumes peuvent s’expliquer par
les différences suivantes: 1) les définitions de ce qui compte comme un fruit (p. ex.: exclusion
des jus) ou un légume (p. ex.: exclusion des pommes de terre), 2) les définitions de ce qui
constitue une portion de fruit ou de légumes (p. ex.: 80 g ou un fruit de taille moyenne) et 3)
les méthodes qui ont été utilisées pour mesurer la consommation de fruits et légumes (p. ex.:
rappel de 24 heures, questionnaire de fréquence alimentaire, histoire alimentaire, etc.)
(Agudo, 2005).
1.2.3.2 La consommation de fruits et légumes chez les femmes enceintes
Il semblerait que la grossesse ne soit pas associée à une augmentation de la consommation
de fruits et légumes chez les femmes. Dans une étude menée au Royaume-Uni, 47% des
femmes ne consommaient pas au moins cinq portions de fruits et légumes par jour avant leur
grossesse et en début de grossesse, elles étaient 46% a encore avoir une consommation de
fruits et légumes en-deçà des recommandations de santé publique (Crozier et al., 2009). Dans
deux autres études menées aux États-Unis, l’intention de devenir enceinte n’était pas reliée
au maintien ni à l’augmentation de la consommation de fruits et légumes et ce, même lorsque
les femmes étaient suivies sur une période de deux ans (Berenson, Pohlmeier, Laz, Rahman,
& McGrath, 2014; Chuang et al., 2010). En fait, une étude menée en Suède auprès de femmes
enceintes et non-enceintes a même remarqué qu’au début de leur grossesse, les femmes
22
enceintes consommaient moins de légumes et de pommes de terre que celles non-enceintes
(Lundqvist et al., 2014).
Par contre, il y a deux études qui rapportent que la consommation de fruits et légumes serait
plus élevée chez les femmes enceintes. Une première étude analysant les données de femmes
enceintes américaines indique que comparativement aux femmes non-enceintes, une
prévalence plus élevée de femmes enceintes consommait des fruits et légumes à au moins
cinq reprises par jour (Zhao et al., 2012). La deuxième étude comparait la consommation de
fruits et légumes des femmes enceintes australiennes à celles de femmes qui essayaient de
tomber enceintes, de femmes qui avaient donné naissance il y a moins de 12 mois et à des
femmes adultes (Blumfield et al., 2011). Les femmes enceintes consommaient
significativement plus de fruits (308 g/jour ou 2,2 portions/jour) comparativement aux
femmes qui essayaient de tomber enceintes (245 g/jour ou 1,8 portions/jour), aux femmes
qui avaient donné naissance il y a moins de 12 mois (258 g/jour ou 1,9 portions/jour) et aux
autres femmes adultes (161 g/jour ou 1,8 portions/jour) (Blumfield et al., 2011). Toutefois,
c’était les femmes qui avaient donné naissance il y a moins de 12 mois qui avaient une
consommation de légumes significativement plus élevée (179 g/jour ou 2,4 portions/jour)
comparativement aux femmes enceintes (154 g/jour ou 2,1 portions/jour), aux femmes qui
essayaient de tomber enceintes (164 g/jour ou 2,2 portions de légumes) et aux autres femmes
adultes (159 g/jour ou 2,1 portions/jour) (Blumfield et al., 2011).
Au Royaume-Uni, 53% des femmes enceintes consommeraient au moins cinq portions de
fruits et légumes par jour (Inskip et al., 2009) contre 32,4 à 39,6% des femmes enceintes
américaines (Zhao et al., 2012). Les données chez les femmes enceintes américaines
indiquent aussi que la consommation de fruits et légumes au moins cinq fois par jour a peu
changé entre 2001 et 2009 (Zhao et al., 2012). Au Canada, 35% des femmes enceintes ne
consommeraient pas le nombre minimal de portions de fruits et légumes du Guide alimentaire
canadien (Fowler, Evers, & Campbell, 2012).
23
L’alimentation durant la grossesse serait aussi associée à des facteurs sociodémographiques
(Bojar, Wdowiak, Humeniuk, & Blaziak, 2006; Northstone, Emmett, & Rogers, 2008). Ainsi,
la consommation de légumes durant la grossesse serait associée à l’âge alors que la
consommation de fruits serait associée à l’origine ethnique (Rodriguez-Bernal et al., 2013).
Les femmes enceintes possédant un niveau de scolarité plus élevée consommeraient plus de
fruits (incluant les jus de fruits) et légumes comparativement à celles ayant un niveau de
scolarité plus bas (Erkkola, Karppinen, Jarvinen, Knip, & Virtanen, 1998). Une autre étude
rapporte aussi que le choix d’aliments sains serait relié à un âge et un niveau de scolarité plus
élevés chez les femmes enceintes (Arkkola et al., 2006). La consommation de fruits et
légumes chez les femmes enceintes serait également associée au niveau de scolarité du
conjoint. Les femmes enceintes ayant un conjoint dont le niveau de scolarité est élevé
auraient une consommation de fruits et légumes plus élevée comparativement à celles dont
le conjoint avait un niveau de scolarité plus bas (Uusitalo et al., 2008). Enfin, l’alimentation
durant la grossesse varierait aussi en fonction de l’emplacement géographique des personnes.
Les femmes enceintes résidant dans un milieu urbain auraient une meilleure alimentation que
celles en milieu rural (Suliga, 2015; Wojtyla et al., 2011).
En somme, une majorité d’études rapporte que les femmes ne modifient pas leur
consommation de fruits et légumes durant la grossesse. Il n’y a toutefois pas de consensus
entre les études puisque certaines indiquent que la consommation de fruits et légumes est
plus élevée chez les femmes enceintes comparativement aux femmes non-enceintes. En fait,
entre 32,4 et 65% des femmes enceintes consommeraient suffisamment de fruits et légumes.
Encore une fois, la consommation de fruits et légumes serait la plus faible chez les femmes
enceintes aux États-Unis. De plus, la consommation de fruits et légumes durant la grossesse
serait associée à l’âge, à l’origine ethnique, à un niveau de scolarité plus élevé (incluant celui
du conjoint) et au fait de vivre en milieu urbain.
1.2.3.3 La consommation de fruits et légumes chez les femmes avec antécédent de diabète
gestationnel
Quelques études ont vérifié la qualité de l’alimentation ainsi que la consommation de fruits
et légumes chez des femmes qui ont un antécédent de diabète gestationnel. Une première
24
étude américaine a comparé la qualité de l’alimentation de femmes en âge de procréer (20 à
44 ans) avec un antécédent de diabète gestationnel à l’aide du Healthy Eating Index à celle
de leurs homologues sans antécédent de diabète gestationnel. Les femmes avec un antécédent
de diabète gestationnel avaient un score de qualité de l’alimentation (46,4 ± 1,6 sur 100) plus
faible que celui des femmes sans cet antécédent (49,5 ± 1,1 sur 100) (Xiao et al., 2015). Le
seul élément de l’alimentation qui différenciait les femmes avec antécédent de diabète
gestationnel de celles sans antécédent était la consommation de légumes verts foncés et de
légumineuses. Les femmes avec antécédent de diabète gestationnel avaient une
consommation moins élevée de ces aliments comparativement aux autres femmes (1,0 ± 0,2
versus 1,7 ± 0,1 sur 5) (Xiao et al., 2015). Il n’y avait pas de différences entre ces dernières
concernant la consommation totale de fruits (incluant les fruits entiers) et de légumes.
D’autres études rapportent aussi que la consommation de fruits et légumes des femmes avec
antécédent de diabète gestationnel ne diffère pas significativement de celle des femmes sans
cet antécédent (Kieffer et al., 2006; Persson et al., 2015). Par contre, la majorité des femmes
avec un antécédent de diabète gestationnel aurait une consommation de fruits et légumes en-
deçà des recommandations de santé publique. Seulement entre 5 et 32% des femmes avec
antécédent de diabète gestationnel consommeraient au moins 5 portions de fruits et légumes
par jour (Kieffer et al., 2006; C. Kim, McEwen, et al., 2007; Persson et al., 2015; Zehle et
al., 2008). Leur consommation quotidienne moyenne de fruits et légumes serait de 4 portions
(Kieffer et al., 2006).
Bref, des proportions importantes de femmes avec antécédent de diabète gestationnel
auraient une consommation de fruits et légumes inférieure aux recommandations de santé
publique. L’alimentation de ces femmes différerait légèrement de celle de leurs homologues
sans antécédent de diabète gestationnel et ce, en raison de la consommation de légumes verts
foncés et de légumineuses. Le fait d’avoir un antécédent de diabète gestationnel ne semble
toutefois pas avoir d’impact sur la consommation de fruits et légumes.
25
1.2.4 Les déterminants de la consommation de fruits et légumes
1.2.4.1 Les déterminants chez les adultes
Les statistiques présentées préalablement dans la section sur le portrait de la consommation
de fruits et légumes chez les adultes (voir section 1.2.3.1) indiquaient que celle-ci varie en
fonction du sexe, de l’emplacement géographique des individus, de l’IMC, du niveau de
scolarité et du revenu. Les résultats d’une revue systématique sur les déterminants
sociodémographiques de l’alimentation viennent corroborer qu’un statut socioéconomique
élevé et résider dans un milieu urbain est associé à une plus grande consommation de fruits
et légumes dans les pays à revenu faible et moyen (Mayen, Marques-Vidal, Paccaud, Bovet,
& Stringhini, 2014). Une étude menée au Canada a également permis d’identifier plusieurs
variables sociodémographiques associées à la consommation de fruits et légumes (Azagba &
Sharaf, 2011). Encore une fois, les individus ayant un niveau de scolarité et un revenu élevés
consommaient plus de fruits et légumes (Azagba & Sharaf, 2011). La consommation de fruits
et légumes était la plus faible chez les personnes ayant les caractéristiques suivantes: sexe
masculin, âge moyen (40 à 49 ans), célibataire, fumeur, ayant peu d’interactions sociales et
sans enfant (Azagba & Sharaf, 2011). Une autre revue systématique sur les déterminants
environnementaux de la consommation de fruits et légumes chez les adultes rapportait aussi
qu’un revenu élevé était associé positivement à la consommation de fruits et légumes
(Kamphuis et al., 2006). De plus, une plus grande consommation de fruits et légumes était
observée chez les personnes mariées et chez celles ayant un accès local à des fruits et légumes
(p. ex.: avoir son propre jardin ou une faible insécurité alimentaire) (Kamphuis et al., 2006).
Deux revues systématiques se sont attardées aux déterminants psychosociaux de la
consommation de fruits et légumes chez les adultes. La première revue systématique
rapportait que l’efficacité personnelle, le soutien social et les connaissances étaient les
variables psychosociales les plus fortement associées à la consommation de fruits et légumes
(Shaikh, Yaroch, Nebeling, Yeh, & Resnicow, 2008). Les barrières, l’intention, l’attitude, les
stades de changement et la motivation étaient aussi reliés à la consommation de fruits et
légumes, mais de façon moins importante (Shaikh et al., 2008). La deuxième revue
systématique rapportait que les principales variables qui contribuaient à la prédiction de la
consommation de fruits et légumes étaient l’habitude, la motivation et les buts (p. ex.:
26
intention), les croyances sur les capacités, les connaissances et le goût des fruits et légumes
(Guillaumie, Godin, & Vézina-Im, 2010). Comme l’intention était associée à la
consommation de fruits et légumes, ses déterminants ont également été identifiés. L’intention
de manger des fruits et légumes était prédite par les croyances sur les capacités (p. ex.:
perception du contrôle comportemental), les croyances sur les conséquences (p. ex.: attitude)
et les influences sociales perçues (p. ex.: norme subjective) (Guillaumie et al., 2010). En fait,
ces variables correspondent aux trois construits qui prédisent l’intention selon la Théorie du
comportement planifié d’Ajzen (1991) (voir Figure 2). La perception du contrôle
comportemental reflète la capacité d’un individu à adopter un comportement, un concept très
similaire à l’efficacité personnelle qui provient de la Théorie sociale cognitive (Bandura,
1977). L’efficacité personnelle réfère aussi à la capacité d’un individu à adopter un
comportement, mais en présence de barrières (p. ex.: manque de temps pour cuisiner les
légumes). L’attitude réfère aux conséquences qu’une personne anticipe suite à l’adoption du
comportement. La norme subjective fait référence à l’opinion des personnes importantes
concernant l’adoption du comportement visé. Chacun des construits comporte des croyances
sous-jacentes (croyances de contrôle, comportementales et normatives). Des variables
externes comme des caractéristiques individuelles et environnementales peuvent aussi avoir
un effet indirect sur l’intention d’adopter un comportement. En fait, la Théorie du
comportement planifié (Ajzen, 1991) et la Théorie sociale cognitive (Bandura, 1977) étaient
les deux théories les plus souvent utilisées pour prédire la consommation de fruits et légumes
chez les adultes (Guillaumie et al., 2010). Les études expliquaient 23% de la variance pour
le comportement et 34% de la variance pour l’intention (Guillaumie et al., 2010). Toutefois,
la capacité prédictive des études variait en fonction de leurs qualités méthodologiques tels
que le devis de l’étude (longitudinal ou transversal) et la mesure des variables psychosociales
et du comportement (Guillaumie et al., 2010).
27
*Ligne directe de prédiction lorsque le comportement n’est pas volitif.
Figure 2. Théorie du comportement planifié (Adaptée de Ajzen, 1991)
En résumé, le niveau de scolarité et le revenu sont les principales caractéristiques
sociodémographiques associées à la consommation de fruits et légumes chez les adultes. Les
autres déterminants sociodémographiques sont le sexe, l’âge, le statut marital et le lieu de
résidence des individus. Le principal déterminant psychosocial de la consommation de fruits
et légumes est les croyances sur les capacités, une catégorie de variables qui inclut l’efficacité
personnelle et la perception du contrôle comportemental. L’intention et les connaissances
étaient deux autres variables qui contribuaient à la prédiction de la consommation de fruits
et légumes chez les adultes. Les principaux déterminants de l’intention de manger des fruits
et légumes étaient les croyances sur les capacités, les croyances sur les conséquences et les
influences sociales perçues.
1.2.4.2 Les déterminants chez les femmes enceintes
Les statistiques présentées préalablement dans la section sur le portrait de la consommation
de fruits et légumes chez les femmes enceintes (voir section 1.2.3.2) indiquaient que celle-ci
variait en fonction de l’âge, de l’origine ethnique, du niveau de scolarité (incluant celui du
conjoint) et de l’emplacement géographique des femmes enceintes. Une étude menée chez
2 063 femmes enceintes américaines a également observé qu’un âge plus avancé, et un
revenu et un niveau de scolarité élevés étaient associés à une consommation de fruits et
Variables externes
-Caractéristiques individuelles (p. ex.: âge, sexe) -Caractéristiques environnementales (p. ex.: présence d’une épicerie près de la maison)
Attitude Croyances
comportementales
Norme subjective Croyances normatives
Perception du contrôle
Croyances de contrôle
Intention Comportement
*
28
légumes élevée (Bodnar & Siega-Riz, 2002). L’IMC pré-grossesse serait, quant à lui,
négativement associé à la consommation de légumes (Laraia, Bodnar, & Siega-Riz, 2007).
À défaut d’avoir plus d’études sur les déterminants de la consommation de fruits et légumes
chez les femmes enceintes, certaines études ont identifié ceux associés à la qualité de
l’alimentation durant la grossesse. En fait, rappelons que la consommation de fruits et
légumes est un indicateur de la qualité de l’alimentation chez les Canadiens (Garriguet,
2009). Il est donc possible que les déterminants de la qualité de l’alimentation chez les
femmes enceintes soient similaires à ceux pour la consommation de fruits et légumes. Les
femmes enceintes jeunes, ayant un faible niveau de scolarité, ayant plus d’enfants et qui
avaient un IMC pré-grossesse élevé avaient une alimentation de moindre qualité (Rifas-
Shiman, Rich-Edwards, Kleinman, Oken, & Gillman, 2009). La proximité d’une épicerie
près du lieu de résidence serait aussi associée à une meilleure qualité de l’alimentation chez
les femmes enceintes (Laraia, Siega-Riz, Kaufman, & Jones, 2004).
Contrairement aux études sur les déterminants psychosociaux de la consommation de fruits
et légumes chez les adultes, il semble y avoir très peu d’études qui aient porté sur les femmes
enceintes. À notre connaissance, seulement deux articles ont identifié les déterminants
psychosociaux de l’intention des femmes enceintes d’adopter une saine alimentation. La
première étude était basée sur une version étendue de la Théorie du comportement planifié
(Ajzen, 1991) qui incluait des construits du Modèle des croyances relatives à la santé (Health
Beliefs Model) (Rosenstock, 1974). Chez l’échantillon de 99 femmes enceintes, 21% d’entre-
elles percevaient ne pas consommer suffisamment de fruits et légumes et 67% des femmes
avaient l’intention d’augmenter leur consommation de fruits et légumes (Gardner et al.,
2012). De plus, les femmes enceintes qui pensaient ne pas manger assez de fruits et légumes
avaient une intention plus élevée d’augmenter leur consommation de fruits et légumes
(Gardner et al., 2012). La seule variable qui contribuait à l’intention de manger plus de fruits
et légumes était la perception des bénéfices de la consommation de fruits et légumes pour la
mère et le bébé, ce qui réfère à l’attitude (RC = 3,59; IC 95%: 1,28-10,11; p = 0,02) (Gardner
et al., 2012). La seconde étude a identifié chez 189 femmes enceintes, les déterminants
psychosociaux de l’intention d’adopter une saine alimentation durant la grossesse à l’aide de
la Théorie du comportement planifié (Ajzen, 1991). Les femmes enceintes avaient une
29
intention positive d’adopter une saine alimentation durant leur grossesse avec un score de
1,84 ± 1,08 sur une échelle de type Likert à 7 points dont les scores variaient de -3 (fortement
en désaccord) à 3 (fortement en accord) (Whitaker, Wilcox, Liu, Blair, & Pate, 2016).
L’intention de manger sainement était prédite par l’attitude (β = 0,02; p = 0,03), la norme
subjective (β = 0,16; p = 0,03) et la perception du contrôle comportemental (β = 0,16; p <
0,001), ce qui permettait d’expliquer 29% de la variance (Whitaker et al., 2016).
Bref, à l’instar des déterminants sociodémographiques de la consommation de fruits et
légumes chez les adultes, l’âge et le niveau de scolarité seraient associés à la consommation
de fruits et légumes chez les femmes enceintes. L’IMC pré-grossesse serait aussi un
indicateur de l’alimentation durant la grossesse. De plus, il semble y avoir très peu d’études
qui ont identifié les déterminants psychosociaux de la consommation de fruits et légumes
chez les femmes enceintes. Comme chez les adultes, la Théorie du comportement planifié
(Ajzen, 1991) serait le cadre théorique privilégié pour étudier ce comportement. L’intention
de manger des fruits et légumes et/ou d’adopter une saine alimentation durant la grossesse
serait principalement prédite par l’attitude et la perception du contrôle comportemental. La
norme subjective serait une autre variable qui contribue à prédire l’intention d’adopter une
saine alimentation chez les femmes enceintes.
1.2.4.3 Les déterminants chez les femmes avec antécédent de diabète gestationnel
Très peu d’études ont identifié les déterminants de la saine alimentation chez des femmes
avec un antécédent de diabète gestationnel. Une première étude a vérifié les déterminants de
la saine alimentation chez 75 femmes avec un antécédent de diabète gestationnel. La qualité
de l’alimentation était évaluée à l’aide du Alternate Healthy Eating Index. L’efficacité
personnelle (β = 0,33; p = 0,002) et le niveau de scolarité (β = 0,08; p < 0,001) prédisaient
36% de la variance de la saine alimentation chez cette population (Ferranti et al., 2014). Une
seconde étude a identifié les déterminants de la consommation de fruits et légumes chez 226
femmes qui avaient reçu un diagnostic de diabète gestationnel au cours des 24 derniers mois.
La consommation de légumes était associée à l’efficacité personnelle pour cuisiner des
aliments sains (β = 0,39; p = 0,009), la perception que manger sainement est un changement
difficile à adopter (β = -0,70; p < 0,001) et au fait que les autres membres de la famille
30
n’aiment pas le goût des aliments sains est perçu comme une barrière à la saine alimentation
(β = -0,54; p = 0,024) (Zehle et al., 2008). La consommation de fruits était associée à être
âgée de 35 ans et plus (β = 0,35; p = 0,002), à l’efficacité personnelle de consommer des
fruits lorsqu’on est occupée (β = 0,43; p < 0,001) et au fait que les autres membres de la
famille n’aiment pas le goût des aliments sains est perçu comme une barrière à la saine
alimentation (β = -0,32; p = 0,007) (Zehle et al., 2008).
En somme, malgré le peu d’études sur le sujet, il semble que le principal déterminant
psychosocial de la saine alimentation, incluant la consommation de fruits et légumes, chez
les femmes avec antécédent de diabète gestationnel serait l’efficacité personnelle à surmonter
diverses barrières à la saine alimentation. Les principales barrières de ce comportement
seraient la difficulté d’adopter une saine alimentation et la famille qui n’aime pas le goût des
aliments sains. De plus, l’âge serait aussi un déterminant de la consommation de fruits chez
ces femmes.
1.2.5 Les interventions visant la promotion de la consommation de fruits et légumes
1.2.5.1 Les interventions chez les adultes
Quelques revues systématiques ont vérifié l’efficacité des interventions visant à augmenter
la consommation de fruits et légumes chez les adultes. Les interventions permettraient une
augmentation moyenne de 0,1 à 4,6 portions de fruits et légumes par jour chez les adultes
(Chapman, 2010; Pomerleau, Lock, Knai, & McKee, 2005; Thomson & Ravia, 2011). Une
revue systématique des interventions comportementales visant la promotion de la
consommation de fruits et légumes chez les adultes indique que l’augmentation moyenne
serait de 1,13 portions par jour (Thomson & Ravia, 2011). Le counseling, incluant le
counseling téléphonique, serait une technique efficace pour promouvoir la consommation de
fruits et légumes chez les adultes (Pignone et al., 2003; Vanwormer, Boucher, & Pronk,
2006). Le counseling téléphonique aurait une taille d’effet petite à moyenne, ce qui
représentait une augmentation de 0,41 portions de fruits et légumes (Vanwormer et al., 2006).
L’activation des intentions serait une autre stratégie efficace pour encourager la saine
alimentation chez les adultes avec une taille d’effet moyenne (d de Cohen = 0,51) (Adriaanse,
Vinkers, De Ridder, Hox, & De Wit, 2011). Les interventions environnementales (p. ex.:
31
augmenter ou diminuer l’accessibilité d’aliments sains ou malsains dans les épiceries)
seraient également efficaces pour changer les choix alimentaires des adultes selon les
données sur les ventes d’aliments suite à l’implantation de ce type d’interventions (Seymour,
Yaroch, Serdula, Blanck, & Khan, 2004). Il est à noter que cette dernière revue systématique
ne rapportait pas de données sur le comportement individuel des participants. Les
interventions (p. ex.: counseling, incluant counseling téléphonique, interventions en milieu
de travail) visant la promotion de la consommation de fruits et légumes chez les adultes ne
seraient toutefois pas efficaces lorsqu’elles sont évaluées selon leur coût-efficacité (Cobiac,
Vos, & Veerman, 2010). Les interventions nutritionnelles les plus efficaces pour augmenter
la consommation de fruits et légumes chez les adultes permettraient d’éviter uniquement 5%
des frais causés par les maladies associées à une faible consommation de fruits et légumes
(Cobiac et al., 2010). Il est à noter que cette revue systématique incluait uniquement des
interventions menées auprès d’adultes en santé alors qu’une autre revue systématique a
observé que les interventions sont plus efficaces pour augmenter la consommation de fruits
et légumes lorsqu’elles s’adressent à des adultes ayant une condition médicale (p. ex.:
hypertension, problèmes cardiaques, cancer) (Pomerleau et al., 2005).
En résumé, les interventions visant l’individu (p. ex.: counseling, activation des intentions)
ou son environnement physique (p. ex.: milieu de travail, épicerie) seraient efficaces pour
augmenter la consommation de fruits et légumes chez les adultes. Les interventions
comportementales permettraient une augmentation d’environ une portion de fruits et légumes
par jour. Par contre, ces interventions ne permettraient pas de prévenir la majorité des coûts
causés par les maladies qui découlent d’une faible consommation de fruits et légumes
(Cobiac et al., 2010). Il est possible qu’une augmentation d’une portion de fruits et légumes
par jour ne soit pas suffisant pour en tirer des bénéfices sur le plan de la santé ou peut-être
que la durée du suivi des participants n’est pas suffisamment longue pour observer des effets
sur la santé des individus. Par exemple, dans la revue systématique de Pignone et
collaborateurs (2003), plus de la moitié des études utilisant le counseling pour augmenter la
consommation de fruits et légumes avaient un suivi inférieur à 12 mois. Il y a aussi le fait
que les effets positifs sur la consommation de fruits et légumes observés à la fin d’une
intervention ne se maintiennent généralement pas dans le temps, une fois intervention
32
terminée (Chapman, 2010). Le maintien des acquis sur le plan de la consommation de fruits
et légumes demeure un défi de taille.
1.2.5.2 Les interventions chez les femmes enceintes
Très peu d’interventions ciblent les femmes durant la période préconceptionnelle afin de les
encourager à consommer des fruits et légumes en prévision de leur grossesse. La majorité
des études durant la période préconceptionnelle cible plutôt la prise d’acide folique, la
consommation d’alcool et le tabagisme (Temel, van Voorst, Jack, Denktas, & Steegers,
2014). Une étude rapporte les résultats d’une intervention intitulée Strong Healthy Women.
Cette intervention visait à augmenter l’efficacité personnelle et la motivation à adopter de
saines habitudes de vie avant la grossesse (Hillemeier et al., 2008). À la fin de l’intervention,
les femmes du groupe expérimental avaient une augmentation plus importante de leur
efficacité personnelle (p = 0,018) et de leur intention (p = 0,008) d’adopter une saine
alimentation comparativement à celles du groupe contrôle (Hillemeier et al., 2008).
L’intervention n’avait toutefois pas d’effet significatif sur la consommation de fruits et
légumes en post-intervention ni aux suivis de 6 et 12 mois (Weisman et al., 2011).
Quelques études rapportent l’efficacité d’interventions qui visaient à augmenter la
consommation de fruits et légumes chez des femmes enceintes présentant des facteurs de
risque pour le diabète gestationnel tel qu’être en surpoids ou obèse. Une première étude
rapporte les résultats d’une intervention chez des femmes enceintes en surpoids ou obèses
(IMC ≥ 25 kg/m2). L’intervention comportait une composante nutritionnelle et une autre sur
l’activité physique et il y avait aussi de l’information sur le gain de poids gestationnel (Dodd
et al., 2014). À la fin de l’intervention et au suivi postnatal de 4 mois, l’intervention a eu un
impact positif sur la consommation de fruits et légumes et sur la qualité de l’alimentation
mesurée par le Healthy Eating Index (Dodd et al., 2014). Une autre étude a vérifié l’efficacité
d’une intervention ciblant l’alimentation, la pratique d’activité physique et le gain de poids
gestationnel chez des femmes enceintes obèses (IMC > 29 kg/m2). L’étude comportait trois
groupes: 1) un groupe recevant un dépliant sur l’alimentation durant la grossesse, 2) un
groupe recevant le dépliant et des sessions de groupe animées par une nutritionniste et 3) un
groupe contrôle qui recevait le suivi prénatal habituel (Guelinckx, Devlieger, Mullie, &
33
Vansant, 2010). La consommation de légumes, mais pas celle de fruits, a augmenté dans les
trois groupes au cours des trois trimestres de la grossesse (Guelinckx et al., 2010). Une autre
étude rapporte une intervention qui ciblait plus spécifiquement les femmes enceintes qui sont
à risque de développer du diabète gestationnel. Pour être admissibles à participer à l’étude,
les femmes devaient présenter au moins un des facteurs de risque suivants: 1) IMC ≥ 25
kg/m2, 2) âge ≥ 40 ans, 3) avoir eu un diagnostic de diabète gestationnel, une intolérance au
glucose ou un bébé macrosomique (≥ 4500 g) lors d’une grossesse précédente ou 4) avoir un
parent de premier ou de second degré ayant un diabète de type 1 ou 2 (Kinnunen et al., 2014).
L’intervention comprenait des rencontres individuelles avec une infirmière qui donnait de
l’information sur le gain de poids gestationnel, la pratique d’activité physique et
l’alimentation. Vers la fin de la grossesse (36 à 37 semaines), les femmes du groupe
expérimental avaient significativement augmenté leur consommation de fruits et légumes
comparativement à celles du groupe contrôle qui recevaient le suivi prénatal habituel
(différence de 61,6 g par jour) (Kinnunen et al., 2014). Il est à noter que les deux dernières
études rapportent uniquement des données en post-intervention, ce qui ne permet pas de
savoir si les changements obtenus à la fin de l’intervention se sont maintenus dans le temps.
La quasi-totalité des études chez les femmes enceintes rapporte l’efficacité des interventions
pour promouvoir la diminution du gain de poids excessif chez les femmes en surpoids ou
obèses ou pour prévenir l’apparition du diabète gestationnel plutôt que leur efficacité à
augmenter la consommation de fruits et légumes. Les revues systématiques à ce sujet
s'entendent sur le fait que les interventions sont efficaces pour diminuer le gain de poids
excessif durant la grossesse (Oteng-Ntim, Varma, Croker, Poston, & Doyle, 2012; Quinlivan,
Julania, & Lam, 2011; Tanentsapf, Heitmann, & Adegboye, 2011; Thangaratinam,
Rogozinska, Jolly, Glinkowski, Duda, et al., 2012; Thangaratinam, Rogozinska, Jolly,
Glinkowski, Roseboom, et al., 2012). Par contre, les revues systématiques sur les
interventions visant la diminution du gain de poids excessif chez les femmes enceintes en
surpoids ou obèses n’observent aucun résultat positif de ce type d’interventions pour prévenir
l’apparition du diabète gestationnel (Oteng-Ntim et al., 2012; Tanentsapf et al., 2011;
Thangaratinam, Rogozinska, Jolly, Glinkowski, Duda, et al., 2012). Parmi tous les types
d’interventions, ce serait les interventions nutritionnelles qui auraient le plus grand impact
34
pour limiter le gain de poids excessif des femmes enceintes (Tanentsapf et al., 2011;
Thangaratinam, Rogozinska, Jolly, Glinkowski, Duda, et al., 2012; Thangaratinam,
Rogozinska, Jolly, Glinkowski, Roseboom, et al., 2012). Les interventions nutritionnelles
auraient aussi un impact positif sur la rétention du poids 6 mois post-partum et l’incidence
des césariennes (Tanentsapf et al., 2011).
L’efficacité des interventions nutritionnelles pour prévenir le diabète gestationnel est
toutefois moins certaine. Une première revue systématique Cochrane n’a pas obtenu des
résultats concluants sur l’efficacité de donner des conseils nutritionnels durant la grossesse
sur la prévention du diabète gestationnel (Tieu, Crowther, & Middleton, 2008) alors qu’une
deuxième revue systématique Cochrane a établi que les conseils nutritionnels ne semblent
pas être à l’origine de bénéfices significatifs chez les femmes qui ont un diabète gestationnel
(Han, Crowther, Middleton, & Heatley, 2013). Selon une autre revue systématique Cochrane
plus récente, les interventions combinant la promotion de la saine alimentation à la pratique
d’activité physique n’auraient pas un impact positif sur l’apparition de cette maladie (Bain et
al., 2015). Par contre, une autre revue systématique Cochrane sur les interventions donnant
des conseils nutritionnels et offrant une surveillance étroite de la glycémie chez des femmes
enceintes ayant de l’hyperglycémie, mais non diagnostiquées avec un diabète gestationnel,
indique que ce type d’interventions est efficace pour diminuer le nombre de bébés de poids
élevé et macrosomiques à la naissance (Han, Crowther, & Middleton, 2012). Parmi les
différents types d’interventions, ce serait le counseling nutritionnel qui permettrait de réduire
significativement l’incidence du diabète gestationnel comparativement au traitement usuel
pour cette condition médicale (Oostdam, van Poppel, Wouters, & van Mechelen, 2011). Une
autre revue systématique des interventions nutritionnelles a identifié que la promotion d’une
alimentation à faible index glycémique permettrait de réduire la proportion de femmes qui
utilisent de l’insuline et le poids du bébé à la naissance chez des personnes ayant un diabète
gestationnel (Viana, Gross, & Azevedo, 2014). Une autre revue systématique rapporte des
résultats semblables à l’effet que donner des conseils pour promouvoir une alimentation à
faible index glycémique et la pratique d’activité physique permettraient chacun de diminuer
le risque de macrosomie à la naissance (Oostdam et al., 2011). Enfin, une dernière revue
systématique a tenté d’identifier les techniques de changement du comportement qui
35
permettraient de prévenir le diabète gestationnel. Celle-ci a répertorié neuf études et parmi
celles-ci seulement trois d’entre-elles avaient le diabète gestationnel comme cible principale
de traitement; les autres études avaient la prévention du gain de poids excessif comme
objectif (Skouteris, Morris, Nagle, & Nankervis, 2014). Leurs résultats indiquent que le self-
monitoring (p. ex.: noter ses apports alimentaires) serait la seule technique qui permettrait de
prévenir le gain de poids excessif et le diabète gestationnel (Skouteris et al., 2014). Il est
toutefois important de préciser que leurs conclusions se basent sur une seule étude ayant
rapporté un effet positif de cette stratégie de changement du comportement pour la prévention
du diabète gestationnel.
En somme, il apparaît y avoir très peu d’interventions nutritionnelles qui ciblent la période
préconceptionnelle ou la consommation de fruits et légumes chez des femmes enceintes à
risque de développer du diabète gestationnel. La plupart des études cible plutôt les femmes
enceintes, en particulier celles en surpoids ou obèses ou celles à risque de développer du
diabète gestationnel, et vérifie l’efficacité des interventions pour prévenir ces problèmes de
santé. Les interventions seraient efficaces pour diminuer le gain de poids excessif durant la
grossesse, mais la diminution du gain de poids excessif chez les femmes enceintes en
surpoids ou obèses n’aurait pas d’effet positif sur l’apparition du diabète gestationnel. Parmi
les différents types d’interventions, ce serait les interventions nutritionnelles qui seraient
efficaces pour diminuer le gain de poids gestationnel excessif et la rétention post-partum du
poids. Toutefois, les résultats sur l’efficacité des interventions nutritionnelles pour prévenir
le diabète gestationnel sont plus mitigés. Certaines revues systématiques rapportent que ce
type d’interventions est efficace pour prévenir l’apparition du diabète gestationnel et ses
complications (p. ex.: diminution du risque de macrosomie à la naissance) alors que d’autres
n’ont pas obtenu ces résultats positifs. Le counseling nutritionnel et le self-monitoring des
apports alimentaires semblent être des stratégies d’interventions intéressantes chez des
femmes enceintes à risque de développer du diabète gestationnel.
1.2.5.3 Les interventions chez les femmes avec antécédent de diabète gestationnel
À l’inverse des études chez les femmes enceintes, il semble y avoir peu d’études qui aient
ciblé les femmes avec un antécédent de diabète gestationnel. Une revue systématique a
36
identifié neuf études qui rapportaient les résultats d’interventions sur les habitudes de vie
chez des femmes avec un antécédent de diabète gestationnel. Ses résultats indiquaient que ce
type d’interventions a un effet positif sur des biomarqueurs de la résistance à l’insuline et
d’autres facteurs de risque chez cette population tels que le glucose à jeun, l’insuline, le poids
post-partum, la pratique d’activité physique, la consommation totale de gras et de fibres et
l’indice glycémique (Chasan-Taber, 2015). Il est à noter que la majorité des études incluses
dans cette revue systématique étaient des études pilotes ou des études de faisabilité, ce qui
n’a pas permis de vérifier si les interventions prévenaient l’apparition d’un diabète de type 2
chez des femmes avec un antécédent de diabète gestationnel (Chasan-Taber, 2015).
Quelques études rapportent l’efficacité d’interventions pour prévenir l’apparition du diabète
de type 2 suivant une grossesse compliquée par un diabète gestationnel. Une première étude
comportait une intervention avec une composante nutritionnelle (sessions de groupe animées
par une nutritionniste) et une autre sur la pratique d’activité physique (port d’un podomètre).
Le groupe contrôle était passif. Au suivi de 3 mois, l’intervention a eu un effet significatif
sur la composition corporelle (poids, IMC, tour de taille et tour de hanches), mais pas sur le
métabolisme du glucose, la saine alimentation et la pratique d’activité physique chez des
femmes avec un antécédent de diabète gestationnel (Peacock et al., 2015). Une seconde étude
a obtenu des résultats très semblables chez des femmes avec et sans antécédent de diabète
gestationnel. L’intervention visait la modification des habitudes de vie chez ces deux groupes
de femmes et elle a eu un effet positif sur le risque cardio-métabolique (glucose à jeun, poids,
IMC, tour de taille, pression artérielle et taux de cholestérol sanguin) au suivi d’un an, mais
il n’y avait pas de différences significatives entre les groupes pour la pratique d’activité
physique et la saine alimentation (Rautio et al., 2014). De plus, sur une période d’un an, 4 et
5% des femmes avec et sans antécédent de diabète gestationnel ont développé un diabète de
type 2, respectivement (Rautio et al., 2014). Une dernière étude menée à Montréal présente
les résultats d’une intervention d’une durée de 13 semaines qui comportait des discussions
de groupe et une garderie pour les enfants sur place. À la fin de l’intervention, les femmes
avec un antécédent de diabète gestationnel avaient augmenté leur pratique d’activité physique
de 733 pas par jour et leur consommation de fruits et légumes de 1,5 portions par jour
(Brazeau et al., 2014). À la fin de l’intervention, la consommation de fruits et légumes était
37
toutefois encore en-deçà des recommandations du Guide alimentaire canadien.
L’intervention avait aussi un effet positif sur des facteurs de risque cardio-métaboliques (p.
ex.: pression artérielle et glucose à jeun), mais pas sur l’IMC et la composition corporelle des
femmes (Brazeau et al., 2014). Par contre, il est important de préciser que l’étude ne
comportait pas de groupe contrôle et que les résultats rapportés sont donc la différence pré-
et post-intervention.
En résumé, il y aurait peu d’études sur des interventions menées auprès de femmes avec
antécédent de diabète gestationnel. Les interventions portant sur la modification des
habitudes de vie (alimentation et pratique d’activité physique) afin de prévenir l’apparition
du diabète de type 2 après une grossesse compliquée par un diabète gestationnel auraient un
impact positif sur le profil cardio-métabolique (p. ex.: composition corporelle, pression
artérielle et glucose à jeun) des femmes avec antécédent de diabète gestationnel. Il est
toutefois moins évident si ce type d’interventions a également un impact sur le comportement
de ces femmes, soit leurs habitudes alimentaires (p. ex.: consommation de fruits et légumes)
et leur pratique d’activité physique, et aussi si cela permet de prévenir l’apparition du diabète
de type 2.
Tel que discuté dans cette section, la consommation de fruits et légumes a plusieurs bienfaits
dont celui de diminuer le risque de développer du diabète de type 2 et du diabète gestationnel.
Pourtant, seul un faible pourcentage de la population à l’échelle mondiale consomme
suffisamment de fruits et légumes. Quelques études ont tenté d’identifier les déterminants
psychosociaux de la consommation de fruits et légumes chez diverses populations. Il ressort
de ces travaux que le principal déterminant de ce comportement est l’efficacité personnelle.
D’autres études ont vérifié l’efficacité d’interventions ciblant la modification des habitudes
de vie. Il semble que les interventions nutritionnelles sont parmi les approches les plus
efficaces pour prévenir l’apparition du diabète de type 2 et du diabète gestationnel. Lors de
ce type d’interventions, il importe d’avoir un outil validé qui permet de mesurer précisément
et avec le moins de biais possible les apports alimentaires.
38
1.3 La validation de questionnaires alimentaires
1.3.1 Les types de validité et fidélité
Dans le cadre des interventions portant sur la modification des habitudes alimentaires, il est
essentiel que les outils visant à mesurer l’alimentation fassent l’objet d’une validation
rigoureuse afin de bien évaluer les apports nutritionnels et par le fait même, les effets de
l’intervention sur les comportements alimentaires. Selon les nouveaux standards pour
l’évaluation en éducation et en psychologie, la validité est un processus qui implique le cumul
de preuves scientifiques qui supportent l’interprétation des scores d’un test et il en existerait
six types: 1) la validité de contenu, 2) la validité en relation avec d’autres variables, 3) la
validité des processus de réponse, 4) la validité de la structure interne, 5) la validité des
conséquences et 6) la validité apparente (American Educational Research Association, 1999).
La validité de contenu résulterait de l’évaluation du contenu d’un questionnaire, tels que l’à-
propos et la clarté de la formulation des questions, le format du questionnaire (American
Educational Research Association, 1999). La validité en relation avec d’autres variables
serait la catégorie de validité la plus vaste. Elle regroupe la validité convergente, la validité
discriminante, la validité de critère, la validité prédictive et la validité concourante (American
Educational Research Association, 1999). La validité convergente est souvent vérifiée à
l’aide de corrélations élevées entre les items d’un questionnaire et les items d’un autre
instrument qui mesure le même construit (American Educational Research Association,
1999). À l’inverse, la validité discriminante se caractérise par de faibles corrélations entre les
items d’un questionnaire et ceux d’un autre instrument qui mesure un autre construit
(American Educational Research Association, 1999). La validité de critère implique d’établir
un lien entre les résultats à un test et une variable externe, nommée critère, qui est un
indicateur du construit mesuré (American Educational Research Association, 1999). Par
exemple, une corrélation élevée entre la consommation de poisson et le taux de mercure
sanguin pourrait être une preuve de validité de critère. La validité de critère contient deux
sous-catégories de validité, soit la validité prédictive et la validité concourante. La validité
prédictive représente la capacité de prédiction d’un outil de mesure concernant un critère
précis (American Educational Research Association, 1999). Par exemple, jusqu’à quel point
le résultat à un test mesurant le quotient intellectuel permet de prédire ultérieurement la
39
réussite scolaire? La validité concourante se caractérise par le degré d’accord entre la
performance à un test et celle à un test mesurant une autre variable, soit le critère (American
Educational Research Association, 1999). Elle se différencie de la validité prédictive en ce
sens qu’elle implique de mesurer simultanément la performance à un test et celle au critère
externe (American Educational Research Association, 1999). La validité des processus de
réponse s’intéresse au processus par lequel l’individu en vient à répondre au questionnaire
(American Educational Research Association, 1999). Elle implique de questionner les
répondants sur leur raisonnement sous-jacent à leurs réponses au test (American Educational
Research Association, 1999). La validité de la structure interne concerne le fait que les
composantes d’un questionnaire sont conséquentes avec le construit mesuré (American
Educational Research Association, 1999). Les analyses factorielles confirmatoires sont une
technique statistique pour mesurer ce type de validité (American Educational Research
Association, 1999). La validité des conséquences concerne les conséquences anticipées et
non-anticipées de la mesure (American Educational Research Association, 1999). Enfin, la
validité apparente n’est pas un type de validité empirique, car elle implique de demander à
des individus si le test semble mesurer le construit d’intérêt (American Educational Research
Association, 1999).
La fidélité est un autre élément important à vérifier lors de la validation d’un outil de mesure.
Elle représente la capacité de reproduire les résultats d’un test lorsqu’il est administré à
différentes reprises (American Educational Research Association, 1999). Il existe trois types
de fidélité, soit 1) la consistance interne, 2) la stabilité temporelle et 3) la fidélité de forme
alternative (Hogan, 2003). La consistance interne mesure les caractéristiques communes d’un
test (Hogan, 2003). Généralement, on s’attend à ce que les items mesurant un même construit
théorique soient fortement corrélés entre eux et peu corrélés aux items mesurant d’autres
construits. Une mesure fréquemment utilisée pour vérifier la consistance interne d’un
questionnaire est le coefficient alpha de Cronbach (1951). Une mesure de la stabilité
temporelle est obtenue en administrant le même questionnaire à deux reprises aux mêmes
individus; on réfère parfois à ce processus en utilisant le terme «test-retest» (Hogan, 2003).
Ici, on s’attend à ce qu’il y ait une bonne corrélation entre les réponses données à la première
administration avec celles données à la deuxième administration du questionnaire. Le
40
coefficient intra-classe (Shrout & Fleiss, 1979) est fréquemment utilisé pour vérifier la
stabilité temporelle d’un questionnaire. Enfin, la fidélité de forme alternative implique
d’administrer deux formats différents du même test aux mêmes participants à deux reprises
(Hogan, 2003). Les deux formats du questionnaire devraient être similaires en termes de
nombre d’items et de temps requis pour le compléter (Hogan, 2003). Ce type de fidélité
permet de vérifier si le format du questionnaire a un impact sur les réponses des participants.
Par contre, elle est peu utilisée, car peu de questionnaires existent dans deux formats distincts
(Hogan, 2003).
Une particularité du domaine de la nutrition est l’utilisation de la méthode de triangulation
(triads) pour valider un outil de mesure. Comme son nom l’indique, cette méthode implique
l’utilisation de trois mesures différentes de l’alimentation, soit au moins deux mesures auto-
déclarées de l’alimentation (l’outil que l’on désire valider et un outil servant de comparaison,
souvent un journal alimentaire ou des rappels de 24 heures) et un biomarqueur (Kaaks, 1997;
Ocke & Kaaks, 1997; Yokota, Miyazaki, & Ito, 2010). On pourrait ainsi valider un
questionnaire de fréquence alimentaire sur la consommation de poisson à l’aide d’un journal
alimentaire ou de plusieurs rappels de 24 heures et à l’aide des concentrations sanguines de
mercure. L’avantage de l’utilisation d’un biomarqueur est qu’elle permet de contourner les
biais généralement associés aux mesures auto-déclarées de l’alimentation tels que le biais de
désirabilité sociale ou le biais de mémoire, puisqu’un biomarqueur est une mesure objective
de la consommation d’aliments spécifiques (Woodside, Young, & McKinley, 2013).
L’utilisation des biomarqueurs n’est toutefois pas exempte de biais puisque le défi consiste
à identifier et à utiliser les biomarqueurs les plus sensibles pour détecter la consommation de
certains aliments spécifiques (Woodside et al., 2013). Ainsi, l’utilisation du taux de mercure
sanguin sera un bon biomarqueur pour la consommation de gros poissons qui sont riches en
mercure tels que le thon, l’espadon et le marlin alors qu’il sera un moins bon indicateur de la
consommation d’autres poissons ayant de plus faibles concentrations en mercure. Il est aussi
à noter que les biomarqueurs sont généralement utilisés pour mesurer la consommation de
certains aliments spécifiques puisqu’il n’existe pas de biomarqueur de l’alimentation globale.
Par exemple, les concentrations de caroténoïdes dans le plasma sont souvent utilisées comme
biomarqueurs de la consommation de fruits et légumes (Al-Delaimy et al., 2005; Campbell
41
et al., 1994; M. C. Jansen et al., 2004; Martini et al., 1995), incluant chez les femmes
(McEligot et al., 1999; Polsinelli, Rock, Henderson, & Drewnowski, 1998) et les femmes
enceintes (Yeum, Ferland, Patry, & Russell, 1998). Les biomarqueurs peuvent aussi être
extraits de différents fluides corporels ou provenir de différentes parties du corps humain (p.
ex.: sang, urine, tissu adipeux).
Bref, afin de juger de la qualité d’un instrument de mesure auto-déclaré en fonction de ses
qualités psychométriques, il est généralement nécessaire d’obtenir des données sur sa validité
(p. ex.: validité de critère concurrente) et sa fidélité (p. ex.: consistance interne ou stabilité
temporelle). Il n’est toutefois pas nécessaire d’obtenir des données pour tous les types de
validité et/ou de fidélité. Cette démarche est également à refaire à chaque fois qu’un outil de
mesure fait l’objet d’une modification, telle qu’une modification de son contenu ou de sa
mise en page, ou lorsqu’il doit être utilisé chez une population autre que celle dans laquelle
il a été initialement validé. Par exemple, un questionnaire alimentaire validé chez une
population adulte devrait faire l’objet d’une nouvelle validation lorsqu’il doit être utilisé chez
des femmes enceintes puisqu’il est possible que certaines spécificités de la grossesse, telles
que la présence de nausées et les envies ou aversions pour certains aliments, aient un impact
sur leur alimentation.
1.3.2 Les mesures auto-déclarées de l’alimentation
Dans le domaine de la nutrition, il existe plusieurs outils de mesure auto-déclarés de
l’alimentation. Les principaux sont le questionnaire de fréquence alimentaire, le rappel de 24
heures, le journal alimentaire (estimé ou mesuré) et l’histoire alimentaire (Gibson, 2005). Le
questionnaire de fréquence alimentaire (FFQ), comme son nom l’indique, implique que les
répondants rapportent la fréquence à laquelle ils ont consommé une liste d’aliments fournie
dans le questionnaire (Willett, 2013a). Il est le principal outil utilisé pour mesurer l’apport
alimentaire dans les études épidémiologiques compte tenu de sa facilité à être complété seul
par les participants (i.e., auto-administré) (Willett, 2013a). Le FFQ auto-administré peut être
en format papier ou en format web, soit administré sur un ordinateur (Gibson, 2005). Il peut
également être administré par une nutritionniste lors d’une entrevue en personne ou au
téléphone (Willett, 2013a). Dans ce cas-ci, la nutritionniste peut questionner le répondant sur
42
des aliments fréquemment oubliés (omissions) ou sur l’ajout d’aliments dans des recettes
(mets mélangés) tels que l’ajout d’huile pour la cuisson ou de sauce (Baranowski, 2013).
Lors d’une entrevue en face-à-face, elle peut aussi utiliser des modèles d’aliments en trois
dimensions afin de mieux estimer la portion des aliments consommés et faciliter le rappel de
ce qui a été consommé (Gibson, 2005).
Le rappel de 24 heures implique une entrevue effectuée par une nutritionniste ayant reçu une
formation à ce sujet (Baranowski, 2013). Elle questionne le participant sur ce qu’il a mangé
et bu au cours des 24 dernières heures (Baranowski, 2013). Généralement, plusieurs rappels
de 24 heures sont utilisés pour différents jours de la semaine afin d’avoir un portrait
d’ensemble de l’alimentation des individus (Gibson, 2005). Le rappel de 24 heures est aussi
habituellement administré sans avertissement préalable afin d’éviter que le répondant change
son alimentation habituelle, un biais appelé réactivité (Baranowski, 2013). À l’instar du FFQ,
le rappel de 24 heures peut aussi être administré au téléphone (Baranowski, 2013). Toutefois,
ce mode d’administration complique l’estimation de la grandeur des portions d’aliments
consommés compte tenu qu’il n’est pas possible de montrer au participant des modèles
d’aliments tel que lors d’une entrevue en face-à-face (Baranowski, 2013). Récemment, des
versions web de différents rappels de 24 heures ont été développées pour des populations
adultes ou d’enfants (Baranowski, 2013; Jacques et al., Soumis pour publication). Ces
versions permettent au répondant d’indiquer ce qu’il a mangé et bu au cours des 24 dernières
heures sur un ordinateur ou sur un téléphone intelligent. Pour remplacer les modèles
d’aliments en trois dimensions, des photographies de portions d’aliments sont alors utilisées
(Gibson, 2005).
Le journal alimentaire implique que le répondant détaille avec précision et au fur et à mesure
sur papier ce qu’il a mangé et bu au cours d’une ou plusieurs journée(s) (Baranowski, 2013).
Généralement, cette technique implique de former préalablement le participant sur la manière
de noter ses apports alimentaires (Baranowski, 2013). Le journal alimentaire peut contenir
des portions estimées ou mesurées. Dans le cas du journal alimentaire estimé, le répondant
doit mesurer la quantité des aliments consommés à l’aide de mesures domestiques (p. ex.:
cuillères, tasses à mesurer) alors que pour le journal alimentaire mesuré, il doit mesurer la
43
quantité des aliments consommés à l’aide d’une balance alimentaire (Gibson, 2005). Le
journal alimentaire mesuré est plus fréquemment utilisé dans les pays européens où la
nourriture est souvent mesurée en grammes et non en termes de nombre de portions d’une
catégorie d’aliment (Baranowski, 2013). Un avantage de l’utilisation du journal alimentaire
par rapport aux autres mesures auto-déclarées de l’alimentation est qu’il permet de diminuer
le risque de biais de mémoire, compte tenu que l’apport alimentaire est noté au moment
même de la consommation. Par contre, ceci peut également causer un biais de réactivité qui
implique que le répondant change son alimentation afin d’adopter une alimentation plus
désirable socialement (p. ex.: manger une pomme plutôt que des bonbons) ou pour diminuer
son fardeau de devoir inscrire tous ses apports alimentaires dans son journal (p. ex.: manger
un sandwich au lieu d’un mets comportant encore plus d’ingrédients) (Baranowski, 2013).
Enfin, l’histoire alimentaire a pour objectif d’estimer les apports alimentaires des individus
sur une période de temps relativement longue, souvent un mois (Gibson, 2005). Elle peut
même couvrir l’alimentation sur plusieurs années, malgré qu’il semble qu’au-delà de 10 ans,
le rappel de l’alimentation soit erroné (Willett, 2013b). L’histoire alimentaire peut être
effectuée par une nutritionniste ayant préalablement reçu une formation à ce sujet ou à l’aide
de logiciels informatiques (Gibson, 2005). Dans sa version originale, l’histoire alimentaire
comportait trois composantes, soit 1) une entrevue détaillée sur les habitudes alimentaires de
l’individu, 2) un questionnaire de fréquence de consommation d’aliments spécifiques (i.e.,
un FFQ) et 3) la complétion d’un journal alimentaire de trois jours (Gibson, 2005). Elle peut
aussi inclure la complétion d’un rappel de 24 heures (Gibson, 2005). Les composantes deux
et trois servaient à valider l’information obtenue à partir de l’entrevue (Moran Fagundez et
al., 2015). L’entrevue à elle seule peut durer jusqu’à deux heures pour chaque participant
(Gibson, 2005). Ainsi, pour des contraintes de temps et de coûts, les chercheurs utilisent
rarement toutes les composantes de l’histoire alimentaire (Gibson, 2005) et se limitent à
l’entrevue détaillée (Moran Fagundez et al., 2015).
Pour conclure, il importe de mentionner que même si les différentes mesures auto-déclarées
de l’alimentation ont été présentées séparément, elles peuvent être utilisées en combinaison
et souvent de façon complémentaire afin de diminuer les biais associés à chacune d’entre-
44
elles (voir Tableau 4). Par exemple, la complétion d’un FFQ et d’un rappel de 24 heures ou
d’un journal alimentaire permettra d’obtenir de l’information sur l’alimentation usuelle de la
personne (FFQ) ainsi que de l’information plus détaillée sur son alimentation (rappel de 24
heures ou journal alimentaire). En fait, le choix de l’outil pour mesurer l’alimentation dépend
principalement de la question de recherche et de la population à l’étude (Gibson, 2005). Par
exemple, si l’on désire évaluer l’alimentation de personnes âgées, d’enfants ou de personnes
analphabètes, il faudra utiliser un instrument adapté à leurs besoins. Il faut aussi prendre en
compte les contraintes de temps (p. ex.: temps pour compléter le questionnaire et pour
analyser les résultats) et de coûts. Certaines mesures auto-déclarées de l’alimentation exigent
du personnel ayant reçu une formation et/ou des logiciels d’analyse des nutriments et en
général, les outils permettant d’obtenir de l’information plus détaillée sur l’alimentation (p.
ex.: journal alimentaire) ont des taux de complétion plus faibles (Gibson, 2005). Tous ces
facteurs sont à prendre en compte lors du choix de la mesure auto-déclarée de l’alimentation.
Tableau 4. Principales forces et faiblesses des mesures auto-déclarées de l’alimentation
FFQ Rappel de 24 heures
Journal alimentaire
Histoire alimentaire
For
ces
-Peut être utilisé chez de larges échantillons -Permet de mesurer les apports usuels
-Permet une mesure détaillée des apports alimentaires -Moins de biais de mémoire que le FFQ
-Permet une mesure détaillée des apports alimentaires -Pas de biais de mémoire
-Permet de mesurer les apports usuels sur une période de temps relativement longue
Fai
ble
sses
-Biais de mémoire
-Biais de mémoire -Nécessite plusieurs rappels de 24 heures pour mesurer les apports usuels
-Biais de réactivité -Long à remplir pour le participant -Nécessite une formation préalable
-Biais de mémoire -Long et coûteux à administrer -Nécessite du personnel formé
1.3.3 La mesure de la consommation de fruits et légumes
Dans le domaine de l’éducation en nutrition, l’utilisation d’instruments courts mesurant la
fréquence de la consommation de l’aliment spécifique qui a été ciblé par l’intervention est
de plus en plus fréquente (Contento, Randell, & Basch, 2002). Par exemple, il existe de courts
45
questionnaires qui mesurent la fréquence de la consommation de fruits et légumes. Parmi
ceux-ci, deux ont fait l’objet d’études de validation rigoureuses et sont les plus fréquemment
utilisés pour mesurer la consommation de fruits et légumes des adultes aux États-Unis. Le
premier est le Block Fruit and Vegetable Screener (Block, Gillespie, Rosenbaum, & Jenson,
2000). Ce court questionnaire d’une page contient deux sections, soit une section sur la
consommation de viande et de collations (15 items) afin d’estimer la consommation de gras
et une section sur la consommation de fruits et légumes (7 items) afin d’estimer la
consommation de fruits et légumes, de fibres et des micronutriments présents dans les fruits
et légumes (Block et al., 2000). Il a été validé à l’aide d’un FFQ de 100 items chez 208
adultes. La consommation de fruits et légumes mesurée à l’aide du court questionnaire était
significativement corrélée à celle du FFQ (r = 0,71; p = 0,0001) (Block et al., 2000). Les
autres courts questionnaires mesurant la consommation de fruits et légumes des adultes
américains sont les Fruit and Vegetable Screeners (FVS) développés par le National Cancer
Institute. Ces questionnaires existent en plusieurs versions contenant de 2 à 19 items (Greene
et al., 2008; Yaroch et al., 2012). La majorité des FVS mesure uniquement la consommation
de fruits et légumes (Greene et al., 2008; Thompson et al., 2000; Yaroch et al., 2012) et parmi
ceux-ci certaines versions questionnent les participants sur leur consommation de fruits et
légumes par jour (all-day screener) ou par repas (by-meal screener) (Thompson et al., 2002)
ou en termes de nombre de tasses (2-item cup fruit and vegetable screener) ou de portions de
fruits et légumes (2-item serving fruit and vegetable screener) (Yaroch et al., 2012). Les
autres FVS mesurent la consommation de fruits et légumes et d’autres composantes
importantes de l’alimentation tels que l’apport énergétique, la consommation de gras et de
fibres (Thompson et al., 2004) ou les sucres ajoutés (Colon-Ramos et al., 2009). Les FVS du
National Cancer Institute ont été validés à l’aide de plusieurs mesures auto-déclarées de
l’alimentation, soit les rappels de 24 heures (Greene et al., 2008; Peterson et al., 2008;
Thompson et al., 2000; Thompson et al., 2004; Thompson et al., 2007; Thompson et al.,
2002; Yaroch et al., 2012), les FFQ (Colon-Ramos et al., 2009; Thompson et al., 2000;
Thompson et al., 2004; Thompson et al., 2007; Thompson et al., 2002), et l’histoire
alimentaire (Snyder et al., 2004) et à l’aide de caroténoïdes dans le sérum (Greene et al.,
2008), un biomarqueur de la consommation de fruits et légumes, chez de larges échantillons
de plus de 200 adultes américains. Il ressort des diverses études de validation du National
46
Cancer Institute que l’usage de leurs FVS devrait être réservé pour mesurer la consommation
moyenne de fruits et légumes d’une population plutôt que la consommation individuelle
(Thompson et al., 2002; Yaroch et al., 2012) puisqu’ils peuvent sous-estimer ou surestimer
la consommation réelle de fruits et légumes des individus (Greene et al., 2008; Thompson et
al., 2000; Thompson et al., 2002).
Au Canada, il y a le questionnaire sur la consommation de fruits et légumes de Godin et
collaborateurs (2008). Ce court questionnaire d’une page mesure la fréquence de
consommation de fruits et légumes des sept derniers jours. Au début du document, il y a une
définition d’une portion de fruits ou de légumes selon le Guide alimentaire canadien (voir
Annexe 1). Il est également spécifié que les aliments peuvent être frais, congelés ou en
conserve. Ensuite, pour chaque jour de la semaine (lundi au dimanche), le répondant doit
indiquer le nombre de portions consommées pour chacune des catégories d’aliments
suivants: jus de fruits, jus de légumes, fruits, pommes de terre (excluant les frites), salade
verte et autres légumes. Enfin, il y a deux questions qui servent à vérifier si la consommation
de fruits et légumes rapportées par la personne correspond à ses habitudes alimentaires des
trois derniers mois et si non, comment elle diffère de son alimentation habituelle
(beaucoup/un peu plus/moins de fruits et légumes qu’au cours des trois derniers mois). Le
questionnaire sur la consommation de fruits et légumes de Godin et collaborateurs (2008) a
déjà été validé chez un échantillon de 350 personnes obèses et non-obèses de la région de
Québec. Un FFQ administré par entrevue a été utilisé comme outil de comparaison, ce qui
représente une preuve de validité de critère. Le FFQ avait lui-aussi déjà fait l’objet d’une
étude de validation à l’aide d’un journal alimentaire de trois jours chez des femmes adultes
de la région de Québec (Goulet, Nadeau, Lapointe, Lamarche, & Lemieux, 2004). La
consommation de fruits et légumes mesurée à l’aide du questionnaire de Godin et
collaborateurs (2008) était significativement corrélée à celle du FFQ chez des individus
obèses (r = 0,66; p < 0,0001) et non-obèses (r = 0,65; p < 0,0001). Par contre, aucune preuve
de fidélité telle que la stabilité temporelle n’était rapportée et à notre connaissance, le
questionnaire sur la consommation de fruits et légumes de Godin et collaborateurs (2008) n’a
jamais été validé chez des femmes enceintes.
47
1.3.4 La mesure de l’alimentation durant la grossesse
La grossesse est une période spéciale où plusieurs changements physiologiques ont lieu chez
la femme tels que l’augmentation de ses besoins nutritionnels durant les deuxièmes et
troisièmes trimestres et la possibilité d’avoir des nausées, des envies ou des aversions pour
certains aliments. Les femmes enceintes ressentent généralement une augmentation de leur
appétit afin de combler leurs besoins plus élevés en nutriments (Hirschberg, 1998). À
l’inverse, certaines femmes enceintes rapportent une diminution de leur appétit et des
aversions pour certains aliments (Patil, Abrams, Steinmetz, & Young, 2012). Il semble que
les fruits et légumes soient des aliments qui font particulièrement l’objet d’envies ou
d’aversions pendant la grossesse. En fait, les fruits et les jus de fruits seraient parmi les
aliments dont les femmes enceintes ont le plus envie durant leur grossesse (Hirschberg, 1998)
et à l’inverse, plusieurs femmes enceintes auraient une aversion pour certains légumes ayant
un goût prononcé (p. ex.: brocoli, épinards) en particulier lors du premier trimestre de la
grossesse (Flaxman & Sherman, 2000). De plus, plusieurs femmes enceintes rapportent
prendre des suppléments tels qu’une multivitamine avec de l’acide folique et la prise de
suppléments peut avoir un impact lors de la validation d’un instrument auto-déclaré de
l’alimentation, en particulier lorsque la validation est effectuée à l’aide de biomarqueurs
(Brantsaeter, Haugen, Hagve, et al., 2007). Il est donc important de prendre en compte ces
éléments spécifiques à la grossesse lors de la mesure de l’alimentation et lors de la validation
d’une mesure auto-déclarée de l’alimentation chez des femmes enceintes. Or, ces facteurs ne
sont généralement pas mesurés par des outils développés pour évaluer l’alimentation de la
population générale et ne sont donc pas pris en compte lors de la validation de ceux-ci. Le
désir de bien paraître (i.e., biais de désirabilité sociale) a également un effet sur la quantité
de nourriture que les femmes rapportent avoir consommé (Mossavar-Rahmani et al., 2013)
et le poids gestationnel qu’elle compte acquérir durant leur grossesse (Park et al., 2015). Pour
toutes ces raisons, il est nécessaire de valider les outils de mesures auto-déclarés qui seront
utilisés chez cette population spécifique. Toutefois, malgré qu’il existe plusieurs revues de la
littérature qui rapportent la validation d’outils auto-déclarés de l’alimentation chez la
population générale (Bingham et al., 1994; Block, 1982; Lee-Han, McGuire, & Boyd, 1989),
incluant pour les FFQ (Cade, Thompson, Burley, & Warm, 2002; Molag et al., 2007) et les
rappels de 24 heures (Poslusna, Ruprich, de Vries, Jakubikova, & van't Veer, 2009) ou pour
48
des nutriments spécifiques tels que les oméga-3 (Serra-Majem, Nissensohn, Overby, &
Fekete, 2012), il semble que cela ne s’applique pas aux femmes enceintes.
En fait, à notre connaissance, il existait seulement deux revues systématiques sur la validation
d’instruments pour mesurer l’alimentation des femmes enceintes en 2014. La première revue
systématique validait les outils servant à estimer les apports en micronutriments chez les
femmes enceintes (Ortiz-Andrellucchi, Doreste-Alonso, Henriquez-Sanchez, Cetin, & Serra-
Majem, 2009) alors que la deuxième vérifiait la relation entre l’apport alimentaire en zinc et
les concentrations dans le plasma et le sérum chez des femmes enceintes et qui allaitaient
(Moran et al., 2012). Malgré l’information pertinente fournie par ces deux études, elles ont
uniquement rapporté de l’information sur les micronutriments (et non aussi sur les aliments)
et sur la validité (et non également sur la fidélité) des outils de mesure. Ainsi, à notre
connaissance, en 2014, il n’existait aucune revue systématique des études de validation des
mesures auto-déclarées de l’alimentation durant la grossesse alors que cette information est
cruciale pour déterminer quels outils sont à privilégier pour mesurer l’alimentation chez les
femmes enceintes.
Tel que discuté dans cette section, il existe différents types de validité et de fidélité ainsi que
des mesures auto-déclarées de l’alimentation. Certains outils ont été développés afin de
mesurer la consommation d’aliments spécifiques tels que les fruits et légumes. En fait, il
existe une variété de courts questionnaires pour mesurer la consommation de fruits et
légumes chez les adultes. Par contre, aucun de ces instruments a été développé
spécifiquement ou a été validé pour mesurer l’alimentation durant la grossesse. Il est donc
impératif d’identifier des outils qui permettront de mesurer précisément et avec le moins de
biais possible les apports alimentaires des femmes enceintes. Une fois cette étape complétée,
ces outils pourront être utilisés pour d’évaluer les effets d’une intervention nutritionnelle chez
cette population. En fait, identifier un instrument valide ou valider un nouvel outil de mesure
est une étape essentielle lors du développement d’interventions.
49
1.4 Le développement d’interventions
1.4.1 Les étapes lors du développement d’interventions
Il existe plusieurs approches pour développer des interventions dans le domaine de la santé.
Il y a l’Intervention Mapping, un cadre de planification des programmes en promotion de la
santé (Bartholomew, Parcel, Kok, Gottlieb, & Fernandez, 2011), le Guide du Conseil de
recherche médicale du Royaume-Uni pour le développement et l’évaluation d’interventions
complexes (Craig et al., 2008), l’approche utilisant les domaines théoriques pour le
développement d’interventions théoriques visant le changement du comportement (S. D.
French et al., 2012) et la Behavior Change Wheel, un guide pour le développement
d’interventions (Michie, Atkins, & West, 2014). Chacune de ces approches conçoit le
développement d’interventions comme une série d’étapes. Les deux principales approches
pour le développement des interventions sont l’Intervention Mapping et la Behavior Change
Wheel. L’Intervention Mapping est un des cadre de planification les plus complet et qui a
largement été utilisé dans le domaine de la promotion de la santé. La Behavior Change Wheel
est également un guide intéressant pour la planification des interventions. Par contre, comme
cette approche est plus récente, il y a encore peu d’applications pratiques de celle-ci.
Selon l’Intervention Mapping, il y a six étapes lors du développement d’interventions (voir
Figure 3). La première étape consiste en une analyse des besoins de la population cible. La
deuxième étape implique de fixer les objectifs de l’intervention. La troisième étape comporte
le choix des méthodes d’intervention. La quatrième étape implique de développer le contenu
de l’intervention. La cinquième étape consiste en l’implantation de l’intervention et enfin la
sixième étape est l’évaluation de l’intervention. Le processus de l’Intervention Mapping est
cumulatif; chacune des étapes permet d’amasser l’information nécessaire pour passer à
l’étape suivante (Bartholomew et al., 2011). Toutefois, il est important de préciser que même
si l’Intervention Mapping est présenté comme une série d’étapes, la planification d’une
intervention est en réalité plus un processus itératif que linéaire, ce qui signifie qu’il est
possible de retourner à des étapes précédentes en cours de route (Bartholomew et al., 2011).
50
Figure 3. Modèle de l’Intervention Mapping (Adapté de Bartholomew et al., 2011)
Lors de la première étape de l’Intervention Mapping, soit l’analyse des besoins de la
population cible, il convient d’identifier un problème de santé sur lequel il faut agir.
Généralement, la justification du choix d’un problème de santé se fait en fonction de son
ampleur et de la gravité de ses conséquences sur la santé des individus (Bartholomew et al.,
2011). On pourrait donc choisir un problème de santé, car de nombreux individus en sont
atteints (prévalence élevée) ou parce qu’il fait plusieurs nouvelles victimes par année
(incidence élevée) ou encore parce qu’il a de graves répercussions sur la santé des personnes
atteintes (p. ex.: douleur, comorbidité, chronicité, mortalité). Le choix du problème de santé
doit aussi se faire selon les priorités de santé publique en vigueur. Par exemple, nous avons
vu précédemment que la prévalence du diabète gestationnel est en hausse et qu’il peut avoir
de graves conséquences chez la femme et son enfant, tel qu’un risque élevé de développer
du diabète de type 2. Une fois le problème de santé sélectionné, il faut identifier les
comportements liés à celui-ci (Bartholomew et al., 2011). Par exemple, la consommation de
fruits et légumes permettrait de prévenir le diabète gestationnel et le diabète de type 2. Il faut
ensuite identifier les déterminants du (ou des) comportement(s) lié(s) à la santé que nous
avons sélectionné(s) (Bartholomew et al., 2011). Les théories psychosociales de prédiction
du comportement, tel que la Théorie du comportement planifié (Ajzen, 1991), peuvent être
utilisées à cette fin.
Étape 1 Analyse des besoins de la
population cible
Étape 2 Fixer les objectifs de
l’intervention
Étape 3 Choix des méthodes
d’intervention
Étape 4 Développement du
contenu de l’intervention
Étape 6 Évaluation de l’intervention
Étape 5 Implantation de l’intervention
51
La deuxième étape de l’Intervention Mapping implique de fixer les objectifs de
l’intervention. Des objectifs doivent être fixés pour chacun des comportements liés à la santé
que nous désirons changer (Bartholomew et al., 2011). Par exemple, si on veut agir sur la
consommation de fruits et légumes, il faut fixer la quantité de fruits et légumes à consommer
pour prévenir le diabète gestationnel et le diabète de type 2. Les objectifs fixés doivent être
en accord avec les recommandations de santé publique en vigueur. Dans le cas de la
consommation de fruits et légumes, le Guide alimentaire canadien fournit des
recommandations précises pour tous les segments de la population. Il faut également
déterminer comment nous allons agir sur chacun des déterminants du (ou des)
comportement(s) lié(s) à la santé (Bartholomew et al., 2011).
La troisième étape de l’Intervention Mapping nécessite le choix des méthodes d’intervention.
Le choix des méthodes d’intervention devra être justifié par la littérature scientifique
(Bartholomew et al., 2011). On privilégiera donc une technique d’intervention en fonction
du cadre théorique sélectionné ou des données de la littérature scientifique sur son efficacité.
Par exemple, la Théorie sociale cognitive de Bandura (1977) fournit des techniques
spécifiques pour augmenter l’efficacité personnelle des individus. Il existe aussi plusieurs
taxonomies des techniques de changement du comportement (Abraham & Michie, 2008; Kok
et al., 2016; Michie et al., 2011; Michie et al., 2013). Les revues systématiques sont un bon
moyen d’identifier les interventions efficaces pour changer le comportement puisqu’elles
permettent de synthétiser l’ensemble des données empiriques sur un sujet de recherche
préétabli tout en prenant en compte la qualité des études incluses (Littell, 2008). Par exemple,
les résultats d’une revue systématique récente indiquent que l’activation des intentions serait
une stratégie efficace pour encourager la saine alimentation chez les adultes avec une taille
d’effet moyenne (d de Cohen = 0,51) (Adriaanse, Vinkers, et al., 2011).
La quatrième étape consiste à développer le contenu de l’intervention. Lorsque cette étape
est basée sur les étapes précédentes de l’Intervention Mapping, en particulier l’étape 1 sur
l’analyse des besoins de la population cible, celle-ci est parfois nommée «recherche
formative» dans la littérature scientifique. La recherche formative implique d’amasser de
l’information sur les besoins de la population cible afin de développer des interventions qui
52
répondent à ces besoins et qui sont plus efficaces pour changer le comportement (Gittelsohn
et al., 2006). La recherche formative a déjà été utilisée pour développer des interventions
faisant la promotion de la consommation de fruits et légumes (Epton et al., 2014; Godinho,
Alvarez, & Lima, 2013; Strolla, Gans, & Risica, 2006).
Lors des quatrième et cinquième étapes de l’Intervention Mapping, l’intervention est
implantée et elle est ensuite évaluée selon les objectifs fixés à l’étape 2. Idéalement,
l’implantation et l’évaluation de l’intervention sont deux étapes qui devraient être planifiées
dès le début du développement de l’intervention (Kok, Schaalma, Ruiter, van Empelen, &
Brug, 2004). Par exemple, si l’objectif fixé à l’étape 2 est d’augmenter la consommation de
fruits et légumes afin qu’elle respecte les recommandations du Guide alimentaire canadien,
il est important de prévoir dès le début de l’intervention un outil qui permettra de mesurer de
façon précise la consommation de fruits et légumes. Si un tel outil n’existe pas, il faudra alors
prévoir d’en adapter un existant ou même de développer un nouvel outil de mesure. Cet outil
devra ensuite faire l’objet d’une étude de validation dans la population cible.
1.4.2 L’utilité des théories dans l’élaboration des interventions
De plus en plus d’auteurs recommandent l’utilisation des théories puisque cela a plusieurs
avantages et ce, tout au long du processus d’implantation d’une intervention (Baranowski,
Lin, Wetter, Resnicow, & Hearn, 1997; Brug, Oenema, & Ferreira, 2005; Fishbein & Yzer,
2003; King, 2015; Michie & Abraham, 2004). Lors du développement d’interventions (voir
section 1.4.1), l’identification des déterminants du comportement est une des premières
étapes avant l’implantation d’une intervention de promotion de la santé efficace
(Bartholomew et al., 2011; Kok et al., 2004). L’utilisation d’une théorie peut guider le choix
des déterminants à tester comme de potentielles variables qui prédisent un comportement
(Michie & Prestwich, 2010). L’identification des déterminants d’un comportement permet
ensuite d’établir ce qui doit être modifié afin d’amener un changement du comportement
(Brug et al., 2005; Rothman, 2004). Par exemple, si l’efficacité personnelle est le principal
déterminant du comportement, une intervention ciblant ce construit serait appropriée pour
changer ce comportement. Les théories peuvent aussi orienter le développement d’une
intervention puisque les déterminants théoriques du comportement sont associés à des
53
techniques spécifiques de changement du comportement (Abraham & Michie, 2008; Michie,
Johnston, Jill, Hardeman, & Eccles, 2008). Par exemple, la Théorie sociale cognitive
(Bandura, 1977) fournit des techniques spécifiques pour augmenter l’efficacité personnelle
d’un individu. De plus, compte tenu que l’utilisation d’une théorie permet d’identifier les
déterminants à cibler pour une intervention et les techniques à utiliser, elle facilite la
réplication des résultats préalablement obtenus, ce qui est essentiel pour l’avancement des
connaissances (Michie, Fixsen, Grimshaw, & Eccles, 2009). Enfin, ceci peut également
servir à peaufiner et développer de meilleures théories (Brug et al., 2005; Michie &
Prestwich, 2010; Rothman, 2004).
1.4.3 Le développement d’outils d’intervention
Il y a peu de données sur comment développer le contenu d’une intervention ou les outils qui
serviront d’intervention. La Théorie du comportement planifié (Ajzen, 1991) est une des
rares théories à fournir des indications précises sur comment développer un questionnaire
basé sur cette théorie. C’est d’ailleurs ce qui pourrait expliquer sa grande popularité.
Premièrement, le questionnaire doit porter sur les croyances saillantes modales d’une
population. Les croyances saillantes modales sont les croyances spontanées les plus souvent
exprimées par les individus d’une population (Ajzen, 1991). Afin d’obtenir ce type de
croyances, il est nécessaire de questionner des personnes ayant des caractéristiques similaires
à celles de la population cible. Par exemple, pour identifier les croyances comportementales
(croyances sous-jacentes à l’attitude), il faut questionner les individus sur les avantages et les
inconvénients associés à l’adoption du comportement ciblé. Pour identifier les croyances
normatives (croyances sous-jacentes à la norme subjective), il faut leur demander quelles
personnes approuveraient ou désapprouveraient qu’ils adoptent le comportement. Enfin, pour
identifier les croyances de contrôle (croyances sous-jacentes à la perception du contrôle
comportemental), il faut interroger les individus sur les facteurs qui peuvent faciliter (facteurs
facilitant) ou nuire (barrières) à l’adoption du comportement. Ajzen et Fishbein (1980)
suggèrent trois critères pour identifier les croyances saillantes modales d’une population. Le
premier critère implique de retenir les 10 ou 12 croyances les plus souvent exprimées par la
population. Le deuxième critère consiste à retenir uniquement les croyances dont la fréquence
de mention atteint un pourcentage précis tel que 10%. Le troisième critère est de retenir les
54
croyances les plus souvent exprimées jusqu’à ce qu’un pourcentage précis du nombre total
de croyances soit atteint. Le troisième critère est la méthode la plus populaire pour identifier
les croyances saillantes modales d’une population et 75% est le pourcentage le plus souvent
utilisé.
La technique d’activation des intentions ne découle pas de la Théorie du comportement
planifié malgré que certains auteurs suggèrent d’ajouter l’activation des intentions à cette
théorie (Rise, Thompson, & Verplanken, 2003). Par contre, les étapes pour développer un
questionnaire basé sur la Théorie du comportement planifié peuvent être utilisées pour
développer le contenu d’un questionnaire sur l’activation des intentions. Ainsi, il est possible
de questionner les individus de la population cible sur les principales barrières et solutions
pour surmonter ces barrières et le critère de 75% peut être utilisé pour identifier les croyances
saillantes modales de la population. Ceci permettra de développer un outil d’intervention qui
répond aux besoins de la population visée en ciblant les barrières qui les empêchent d’adopter
le comportement et en utilisant des solutions proposées par celle-ci et donc probablement
facilement applicables au quotidien. En fait, les interventions qui ciblent les barrières et qui
fournissent des solutions adaptées aux besoins de la population cible augmentent leurs
chances d’être efficaces pour changer le comportement et évitent le gaspillage de temps et
de ressources (Baranowski, Cerin, & Baranowski, 2009). Les interventions qui ciblent les
croyances basées sur une théorie sont d’ailleurs plus efficaces pour promouvoir les
comportements liés à la santé (Webb, Joseph, Yardley, & Michie, 2010).
1.4.4 L’effet question-comportement lors de la complétion d’un questionnaire sur les
croyances concernant un comportement lié à la santé
Le simple fait de répondre à un questionnaire sur les cognitions par rapport à un
comportement peut amener la personne à adopter ce comportement. Ce phénomène est connu
depuis quelques décennies dans le domaine de la psychologie sociale et plusieurs termes ont
été proposés pour le désigner. Ce n’est que plus récemment que la psychologie de la santé
s’est intéressée à ce phénomène (D. P. French & Sutton, 2010) et que l’expression «effet
question-comportement» a été suggérée afin de diminuer la confusion entourant l’appellation
de celui-ci (Sprott et al., 2006). Pourtant, l’effet question-comportement peut avoir un impact
55
non négligeable dans le domaine de la psychologie de la santé. En effet, lors des études de
prédiction du comportement, il est typique de questionner les individus sur leurs cognitions
par rapport à un comportement tel que l’intention, l’attitude, la norme subjective et la
perception du contrôle comportemental et d’ensuite mesurer leur adoption du comportement.
Selon l’effet question-comportement, cela pourrait créer un biais puisqu’une proportion plus
grande de personnes adopterait le comportement après avoir complété le questionnaire, ce
qui ne refléterait pas le taux réel d’adoption du comportement chez la population visée. Ce
ne serait plus simplement une étude de prédiction du comportement, mais plutôt une
intervention en soi. Malgré ceci, présentement le biais causé par l’effet question-
comportement n’est pas pris en compte par la majorité des grilles de classification des biais
telle que celle de Cochrane et les mécanismes responsables de ce phénomène ne sont pas
encore bien connus (McCambridge, 2015).
Une revue systématique récente a vérifié l’efficacité de l’effet question-comportement dans
le domaine des comportements liés à la santé en s’intéressant uniquement aux essais cliniques
aléatoires. Elle a déterminé que l’effet question-comportement avait un impact significatif
sur les comportements liés à la santé et que ceci représentait une petite taille d’effet (d de
Cohen = 0,09) (A. M. Rodrigues, O'Brien, French, Glidewell, & Sniehotta, 2015). Les
comportements liés à la santé incluaient la consommation d’alcool, la pratique d’activité
physique, les comportements sexuels, le don de sang, la passation d’un test de dépistage pour
le cancer, la consommation de collations faibles ou élevées en matières grasses, l’utilisation
de la soie dentaire, la passation d’un bilan de santé, l’adhésion aux recommandations
médicales, la participation à un club de sports, la passation d’un test de dépistage pour la
chlamydia, la vaccination, l’adhésion à la médication et le lavage des mains. Il y avait un
effet question-comportement significatif pour l’utilisation de la soie dentaire (d de Cohen =
0,50), la pratique d’activité physique (d de Cohen = 0,20) et la passation d’un bilan de santé
(d de Cohen = 0,06) (A. M. Rodrigues et al., 2015). L’effet question-comportement était non-
significatif pour les autres comportements liés à la santé. Il est aussi important de préciser
que l’impact de l’effet question-comportement sur le comportement demeurait significatif
selon que 1) l’échantillon était composé d’étudiants ou non, 2) le questionnaire mesurait les
cognitions, le comportement ou les deux, 3) le comportement mesurait l’attitude ou non, 4)
56
l’intervention était administrée à l’aide de questionnaires ou d’entrevues et 5) le
comportement était mesuré de façon objective ou auto-déclarée (A. M. Rodrigues et al.,
2015). Bref, l’effet question-comportement dans le domaine des comportements liés à la
santé serait plutôt robuste aux variations dans les caractéristiques des études.
Une autre revue systématique récente a vérifié l’impact de compléter un questionnaire basé
sur la Théorie du comportement planifié (Ajzen, 1991) sur le comportement lors d’études
prospectives. Compléter ce type de questionnaire permettait une diminution significative du
comportement et ceci représentait une petite taille d’effet (d de Cohen = -0,03) (Mankarious
& Kothe, 2015). La taille d’effet variait en fonction de la nature du comportement, du type
de comportement (socialement désirable ou non) et de la durée du suivi. Il y avait une
diminution significative des comportements non-désirables socialement (d de Cohen = -
0,28), tels que la consommation excessive d’alcool (d de Cohen = -0,17), la conduite
automobile dangereuse (d de Cohen = -0,20) et la consommation de collations sucrées (d de
Cohen = -0,43) (Mankarious & Kothe, 2015). Il y avait aussi une diminution des
comportements de protection solaire (d de Cohen = -0,18). La mesure de l’intention au début
de l’étude causait une diminution significative de l’adoption des comportements non-
désirables. Les études qui portaient sur un comportement socialement désirable causaient une
petite augmentation de l’adoption du comportement au suivi, mais cet effet n’était pas
statistiquement significatif. Ainsi, la complétion d’un questionnaire basé sur la Théorie du
comportement planifié n’avait pas d’impact significatif sur la pratique d’activité physique,
l’adoption de pratiques sexuelles sécuritaires et la consommation de viande cuite à point
(Mankarious & Kothe, 2015).
Plusieurs mécanismes ont été proposés pour expliquer l’effet question-comportement. Une
première revue critique de la littérature scientifique a identifié dix mécanismes qui pourraient
expliquer l’effet question-comportement (Dholakia, 2010). Deux mécanismes ont davantage
retenu l’attention des chercheurs dans le domaine, soit l’accessibilité de l’attitude et la
dissonance cognitive. Selon l’hypothèse de l’accessibilité de l’attitude, compléter un
questionnaire sur les cognitions rendrait saillantes les cognitions latentes, en particulier
l’attitude, par rapport à un comportement précis (Dholakia, 2010). En d’autres mots, les
57
cognitions enfouies dans la mémoire seraient réactivées lors de la complétion du
questionnaire. Par exemple, en complétant un questionnaire sur les croyances par rapport à
la pratique d’activité physique, une personne pourrait se rappeler à quel point ce
comportement à un impact positif sur son bien-être physique et mental, ce qui pourrait
l’encourager à redevenir active. La dissonance cognitive est un concept qui provient de la
Théorie de la dissonance cognitive de Festinger (1957). Elle est un état psychologique
désagréable qui survient lorsqu’il y a divergence entre les cognitions et le comportement
d’une personne. Comme la dissonance cognitive est désagréable, elle pousse l’individu à agir
pour rétablir un équilibre entre ses cognitions et son comportement. Par exemple, un individu
peut avoir des cognitions positives par rapport à la saine alimentation, mais avoir une
alimentation de piètre qualité. En complétant un questionnaire sur ses cognitions par rapport
à la saine alimentation, cela peut lui rappeler que son comportement actuel n’est pas
congruent avec ses cognitions et le motiver à adopter une alimentation saine.
Plus récemment, une revue systématique a tenté d’identifier le principal mécanisme sous-
jacent à l’effet question-comportement. Ses résultats indiquaient que faire une prédiction
comportementale (p. ex.: Quelles sont les chances que vous adoptiez des pratiques sexuelles
sécuritaires au cours du prochain mois?) avait un effet positif sur le comportement subséquent
et que ceci représentait une petite taille d’effet (d de Cohen = 0,29) (Wood et al., 2015). Les
questions sur l’intention (p. ex.: J’ai l’intention d’adopter des pratiques sexuelles sécuritaires
au cours du prochain mois.) n’avaient pas un effet positif statistiquement significatif sur le
comportement. Ceci indique que ce serait les prédictions comportementales qui auraient le
plus grand impact sur le comportement et non les questions sur l’intention, l’attitude ou les
autres construits de la Théorie du comportement planifié (Ajzen, 1991). En fait, compléter
un questionnaire basé sur la Théorie du comportement planifié n’avait pas un impact
significatif sur le comportement. Il y avait aussi peu de données qui supportaient les autres
hypothèses telles que l’accessibilité de l’attitude et la dissonance cognitive (Wood et al.,
2015). L’effet question-comportement variait aussi en fonction du type de comportement
(socialement désirable ou non), de la difficulté du comportement et du type d’échantillon
(étudiant ou non). Les études qui ciblaient des comportements socialement désirables avaient
un effet question-comportement positif significatif (d de Cohen = 0,19) alors que celles
58
ciblant un comportement dangereux ou non-désirable socialement avaient un effet question-
comportement négatif qui n’était pas statistiquement significatif. Pour l’ensemble des
comportements dans le domaine de la santé, l’effet question-comportement était significatif
et représentait une petite taille d’effet (d de Cohen = 0,29). L’effet question-comportement
était plus important chez les échantillons étudiants (d de Cohen = 0,31) comparativement aux
échantillons non-étudiants (d de Cohen = 0,12). Enfin, les analyses de méta-régression
indiquaient que les comportements plus difficiles à adopter était associés à un plus petit effet
question-comportement (β = 0,05; p = 0,04) (Wood et al., 2015).
En somme, plusieurs études ont documenté un effet question-comportement dans le domaine
des comportements liés à la santé. Par contre, compléter un questionnaire basé sur la Théorie
du comportement planifié (Ajzen, 1991) n’aurait pas un effet significatif sur les
comportements, en particulier ceux socialement désirables. Plusieurs mécanismes pour
expliquer l’effet question-comportement ont été avancés. Les données actuelles indiquent
que ce serait les questions qui impliquent de faire une prédiction comportementale qui
seraient responsables de l’adoption subséquente du comportement (Wood et al., 2015). Le
mécanisme expliquant l’effet de ce type de question sur le comportement n’est pas encore
connu. Enfin, l’effet question-comportement semble varier en fonction de deux principaux
facteurs, soit l’échantillon (étudiant ou non) et le comportement (nature, type et difficulté du
comportement). Les données actuelles à ce sujet sont toutefois contradictoires. Fait
intéressant, l’activation des intentions a été suggérée comme une technique pour contrer
l’effet question-comportement lorsqu’on questionne des adolescents à propos de
comportements à risque (p. ex.: consommation d’alcool et de drogues, comportements
sexuels à risque, conduite automobile dangereuse) (Gollwitzer & Oettingen, 2008).
1.4.5 L’activation des intentions comme technique d’intervention
L’activation des intentions (implementation intentions) est une technique de changement du
comportement post-motivationnelle, c’est-à-dire qu’elle est indiquée pour des gens qui ont
une intention élevée d’adopter un comportement, mais qui ne passent pas à l’acte (Sheeran,
Webb, & Gollwitzer, 2005). Cette stratégie provient du Modèle des phases de l’action
(Heckhausen & Gollwitzer, 1987). Comme son nom l’indique, ce modèle prévoit plusieurs
59
phases avant la prise d’action, soit l’adoption d’un comportement lié à la santé (voir Figure
4). Les auteurs de cette théorie sont d’ailleurs parmi les premiers auteurs à avoir établi une
distinction entre une phase motivationnelle et une phase volitive. Il y a quatre phases: 1) une
phase motivationnelle ou prédécisionnelle, 2) une phase de pré-action ou de planification, 3)
une phase d’action et 4) une phase post-action ou d’évaluation. Lors de la première phase, la
personne délibère si elle devrait ou non prendre action. Lors de la deuxième phase, l’individu
planifie la mise en place de l’action. C’est lors de cette étape, que l’activation des intentions
peut intervenir comme stratégie de planification. Selon Gollwitzer (1999), l’activation des
intentions implique de formuler un plan de si-alors (p. ex.: Si la situation X survient alors je
vais adopter le comportement Y). Lors de la troisième phase, la personne prend action et lors
de la quatrième phase, elle évalue les résultats obtenus suite à l’adoption du comportement.
Figure 4. Modèle des phases de l’action (Adapté de Achtziger & Gollwitzer, 2008)
Le Modèle du processus d’action en santé (Schwarzer, 1992) est une théorie similaire au
Modèle des phases de l’action puisqu’il conçoit aussi que l’adoption d’un comportement
implique une phase motivationnelle et une phase volitive. Selon le Modèle du processus
d’action en santé, il y aurait trois phases lors de l’adoption d’un comportement lié à la santé:
1) une phase pré-intentionnelle, 2) une phase intentionnelle et 3) une phase d’action (voir
Figure 5). Les deux premières phases constituent la phase motivationnelle alors que la
troisième représente la phase volitive. Lors de la phase motivationnelle, l’individu formerait
une intention d’adopter un comportement tandis que lors de la phase volitive, il prendrait
action. Deux processus d’autorégulation seraient des médiateurs de l’intention et de l’action,
c’est-à-dire qu’ils permettraient de passer d’une intention positive à la prise d’action, le plan
Délibération Planification Action Évaluation
Motivation Pré-décisionnelle
Volition Pré-action
Volition Action
Motivation Post-action
Formation de l’intention
Initiation de l’intention
Réalisation de l’intention
Désactivation de l’intention
60
d’action et le plan d’adaptation. Le plan d’action implique de préciser les conditions
d’adoption d’un comportement (quoi, où, quand). Le plan d’adaptation permet de lier des
éléments qui pourraient nuire à l’adoption et au maintien du comportement, soit des barrières,
à des solutions pour surmonter celles-ci. Ceci implique la complétion d’un questionnaire qui
comporte une liste de situations problématiques de type si (p. ex.: Si je manque de temps…)
et de solutions de type alors (…alors je vais utiliser des légumes surgelés) (Hagger &
Luszczynska, 2014; Kwasnicka, Presseau, White, & Sniehotta, 2013). Cet outil permet de
surmonter les barrières pouvant nuire à l’adoption ou au maintien du comportement en
permettant aux individus d’anticiper les situations nuisibles et de prévoir à l’avance une
réponse appropriée (Sniehotta, Schwarzer, Scholz, & Schüz, 2005).
Figure 5. Modèle du processus d’action en santé (Adapté de Schwarzer, 1992)
L’activation des intentions permettrait de surmonter quatre situations qui font que les gens
ne réussissent pas à traduire leurs bonnes intentions en actions concrètes (Gollwitzer &
Sheeran, 2006). La première situation est l’inhibition de l’initiation du comportement.
Plusieurs raisons peuvent expliquer pourquoi la personne n’initie pas l’adoption du
comportement. Elle peut tout simplement avoir oublié, en particulier lorsque l’opportunité
Efficacité personnelle pour la
tâche
Attentes concernant les résultats de
l’action
Perception du risque
Intention
Plan d’action
Plan d’adaptation
Contrôle de l’action
Action
Efficacité personnelle de
maintien
Efficacité personnelle de récupération
Barrières et ressources
Phase pré-intentionnelle
Phase intentionnelle
Phase d’action
Dés
enga
gem
ent
61
d’adopter un comportement est rare (p. ex.: pour un comportement peu fréquent) ou pour un
comportement nouveau avec lequel elle est peu familière (Gollwitzer & Sheeran, 2006).
L’activation des intentions permettrait de lier un comportement (le Alors) à son contexte
d’adoption (le Si), ce qui faciliterait l’adoption du comportement lorsque l’opportunité se
présente. Le contexte d’adoption du comportement servirait de rappel (cue) à la personne
qu’elle doit adopter le comportement (p. ex.: Si la situation X survient alors je vais adopter
le comportement Y) (Parks-Stamm, Gollwitzer, & Oettingen, 2007; Webb & Sheeran, 2007).
L’individu peut aussi ne pas saisir l’opportunité d’adopter le comportement lorsqu’elle se
présente, en particulier si celle-ci est de courte durée (Gollwitzer & Sheeran, 2006). Enfin, la
personne peut ne pas initier l’adoption du comportement, car elle est initialement réticente à
le faire (Gollwitzer & Sheeran, 2006). La réticence peut venir du fait que l’individu ne perçoit
pas les bénéfices à court terme. Par exemple, un individu peut être motivé à adopter une saine
alimentation, mais ne pas le faire initialement, car ce type d’alimentation est perçu comme
étant moins bonne au goût.
La deuxième situation qui peut expliquer pourquoi une personne motivée n’adopte pas un
comportement lié à la santé est la déviation de l’objectif comportemental. Dans ce cas-ci,
l’individu dévie de son objectif comportemental, car son attention est dirigée vers l’adoption
d’un autre comportement (un type de distraction) (Gollwitzer & Sheeran, 2006). La tentation
d’adopter un autre comportement que celui initialement prévu ou de ne pas adopter le
comportement voulu peut être particulièrement forte lorsque le comportement à changer est
devenu un automatisme tel que dans le cas du tabagisme (Gollwitzer & Sheeran, 2006).
L’activation des intentions pourrait permettre de bloquer un comportement de longue date
(habitude) en proposant un comportement alternatif (Adriaanse, Gollwitzer, De Ridder, de
Wit, & Kroese, 2011). Par exemple, si j’ai envie de manger des croustilles en regardant la
télévision alors je vais plutôt prendre une collation santé telle qu’une pomme ou des crudités.
Bref, les trois obstacles qui peuvent faire dévier une personne de son objectif comportemental
sont les distractions, les tentations et certaines barrières contextuelles. Il est bien documenté
que l’activation des intentions permettrait d’ignorer les situations qui feraient dévier un
individu de son objectif comportemental (Achtziger, Gollwitzer, & Sheeran, 2008;
62
Gollwitzer & Schaal, 1998; Gollwitzer, Sheeran, Trotschel, & Webb, 2011; Schweiger Gallo
& Gollwitzer, 2007; van Koningbruggen, Stroebe, Papies, & Aarts, 2011).
La troisième situation pouvant inhiber l’adoption du comportement est le désengagement.
Une personne peut arrêter l’adoption d’un comportement, car il ne répond plus à ses besoins
et à ses attentes (Gollwitzer & Sheeran, 2006). Par exemple, une personne peut arrêter de
manger sainement, car elle ne perd plus de poids. L’activation des intentions permettrait aux
personnes de se désengager d’une voie menant à l’échec (Henderson, Gollwitzer, &
Oettingen, 2007). Cette stratégie permettrait aussi aux personnes de persévérer dans l’atteinte
de l’objectif comportemental lors d’une première tentative infructueuse (Martijn et al., 2008).
Enfin, l’individu peut se désengager de l’adoption d’un comportement parce qu’il juge que
son objectif comportemental est atteint (Gollwitzer & Sheeran, 2006).
La quatrième situation qui peut survenir et nuire à l’adoption de l’objectif comportemental
est la poursuite d’objectifs multiples (Gollwitzer & Sheeran, 2006). Ainsi, une personne peut
être motivée à pratiquer régulièrement de l’activité physique et à adopter une saine
alimentation dans le but de perdre du poids ou pour sa santé cardiovasculaire. Toutefois, il
est possible que la poursuite de ces deux objectifs comportementaux entre en conflit. Par
exemple, après avoir pratiqué de l’activité physique, l’individu peut avoir une envie
irrésistible de manger de la malbouffe. La poursuite d’un objectif comportemental exige des
ressources cognitives, soit la capacité d’autorégulation d’une personne. Lorsqu’il y a
poursuite d’objectifs multiples, cela peut surcharger leur capacité d’autorégulation, ce qui
peut nuire à l’adoption et au maintien du comportement (Gollwitzer & Sheeran, 2006). En
fait, la formulation de plusieurs plans d’action serait une manière inefficace de changer un
comportement indésirable tel que la consommation de collations malsaines (Verhoeven,
Adriaanse, De Ridder, De Vet, & Fennis, 2013) ou de favoriser l’adoption de plusieurs
comportements liés à la santé tels que la pratique d’activité physique et la saine alimentation
(Dalton & Spiller, 2012).
63
Deux principaux mécanismes physiologiques ou cognitifs ont été proposés pour expliquer
comment l’activation des intentions permet aux individus motivés de passer à l’action.
Certaines études ont utilisé l’imagerie du cerveau par résonance magnétique pour vérifier
l’effet de l’activation des intentions lors de situations suscitant diverses émotions telles que
le dégoût ou la peur. Les résultats de ces études indiquent que l’activation des intentions
permettrait une meilleure régulation des émotions négatives (Gallo, Keil, McCulloch,
Rockstroh, & Gollwitzer, 2009). L’activation des intentions permettrait aussi d’améliorer la
mémoire prospective, soit le type de mémoire qui permet aux personnes de ne pas oublier
d’adopter un comportement prémédité (Chasteen, Park, & Schwarz, 2001; Smith, McConnell
Rogers, McVay, Lopez, & Loft, 2014) et ce, chez les individus de tout âge (Zimmermann &
Meier, 2010). Une méta-analyse récente a permis de quantifier l’effet de l’activation des
intentions sur la mémoire prospective. L’activation des intentions permettrait d’améliorer la
performance de la mémoire prospective chez de jeunes adultes en santé et ceci représente
une taille d’effet moyenne (d de Cohen = 0,45) (Chen et al., 2015). Chez les personnes âgées,
l’activation des intentions permettrait aussi d’améliorer la performance de la mémoire
prospective, ce qui représente une taille d’effet moyenne à grande (d de Cohen = 0,68) (Chen
et al., 2015). Il est à noter que d’autres explications physiologiques et cognitives ont été
proposées pour expliquer l’effet de l’activation des intentions sur le comportement humain
(Wieber, Thurmer, & Gollwitzer, 2015).
Pour conclure, il existe plusieurs formes d’activation des intentions dont le plan d’action et
le plan d’adaptation. Le Modèle des phases de l’action et le Modèle du processus d’action en
santé conçoivent tous les deux l’activation des intentions comme une stratégie post-
motivationnelle qui est donc indiquée lorsque des individus ont une intention élevée
d’adopter un comportement. L’activation des intentions permettrait de surmonter quatre
situations qui font que les gens ne réussissent pas à adopter un comportement malgré une
motivation élevée, soit l’inhibition de l’initiation du comportement, la déviation de l’objectif
comportemental, le désengagement et la poursuite d’objectifs multiples. L’amélioration de
la régulation des émotions et de la mémoire prospective seraient les deux principales
explications physiologiques ou cognitives de l’impact de l’activation des intentions sur le
comportement.
64
Pour résumer les différentes sections de la problématique, le diabète de type 2 et le diabète
gestationnel peuvent avoir de graves conséquences sur la santé de la mère et de l’enfant et
leur prévalence est en hausse. La consommation de fruits et légumes pourrait diminuer le
risque de développer ces deux types de diabète. Cependant, uniquement un faible
pourcentage de la population à l’échelle planétaire consommerait suffisamment de fruits et
légumes. Il y a donc nécessité d’identifier des moyens novateurs afin de promouvoir la
consommation de fruits et légumes chez des femmes à risque de développer du diabète
gestationnel. Deux techniques simples et peu coûteuses qui semblent prometteuses pour
changer ce comportement sont l’activation des intentions et l’effet question-comportement.
Toutefois, à notre connaissance, l’activation des intentions et l’effet question-comportement
n’ont jamais été utilisés pour promouvoir la consommation de fruits et légumes chez des
femmes à risque de développer du diabète gestationnel. De plus, avant de développer une
telle intervention, il importe d’avoir un outil valide pour mesurer la consommation de fruits
et légumes. Il semble qu’il y ait peu d’instruments courts mesurant spécifiquement la
consommation de fruits et légumes et qui aient fait l’objet d’études de validation chez des
populations spécifiques, telles que les femmes enceintes.
1.5 Les objectifs et hypothèses de recherche de la thèse
L’objectif général de la thèse est d’identifier des moyens novateurs afin de promouvoir la
saine alimentation, soit la consommation de fruits et légumes, chez des femmes à risque de
développer du diabète gestationnel. Pour pouvoir atteindre cet objectif, quatre projets de
recherche distincts, mais complémentaires sont nécessaires. Le premier projet de recherche
implique de réaliser une revue systématique sur la validation des mesures auto-déclarées de
l’alimentation durant la grossesse. L’objectif de ce premier projet de recherche est de
recenser les méthodes utilisées pour mesurer l’alimentation durant la grossesse et de vérifier
leurs preuves de validité et de fidélité afin de juger de la qualité de leur processus de
validation et de leurs qualités psychométriques. Ceci permettra d’identifier les mesures auto-
déclarées à privilégier pour évaluer l’alimentation des femmes enceintes et d’énoncer des
recommandations en matière de validation de ce type de mesure chez cette population.
65
Le deuxième projet de recherche implique de valider le court questionnaire sur la
consommation de fruits et légumes de Godin et collaborateurs (2008) chez des femmes
enceintes. L’objectif de ce deuxième projet de recherche est de valider ce questionnaire chez
une population de femmes enceintes afin d’obtenir des données sur sa validité et sa fidélité
pour juger de ses qualités psychométriques. Le choix des outils de comparaison pour
déterminer la validité de critère du questionnaire sur la consommation de fruits et légumes
sera basé sur les mesures auto-déclarées à privilégier chez les femmes enceintes selon les
résultats de la revue systématique. Ce questionnaire servira à mesurer la consommation de
fruits et légumes lors d’une intervention visant la promotion de la consommation de fruits et
légumes.
Le troisième projet de recherche est une recherche formative pour le développement d’un
outil d’intervention basé sur les croyances associées à la consommation de fruits et légumes
chez des femmes à risque de développer du diabète gestationnel. Lors de ce projet, autant des
femmes enceintes que des femmes en âge de procréer à risque de développer du diabète
gestationnel seront recrutées pour faciliter le recrutement. L’objectif de ce troisième projet
de recherche est d’élaborer le contenu d’un questionnaire utilisant l’activation des intentions
pour favoriser la consommation de fruits et légumes chez des femmes à risque de développer
du diabète gestationnel. Il permettra d’identifier les principales barrières, les principaux
facteurs facilitant et des solutions pour surmonter les barrières à la consommation de fruits
et légumes.
Le quatrième projet de recherche implique d’effectuer une étude d’intervention qui utilise les
résultats obtenus aux trois études précédentes. L’objectif principal est d’évaluer l’efficacité
d’une intervention de type activation des intentions comparativement à un groupe contrôle
utilisant l’effet question-comportement pour promouvoir la consommation de fruits et
légumes chez des femmes en âge de procréer à risque de développer du diabète gestationnel.
Il est à noter que l’intervention devait au départ inclure uniquement des femmes enceintes à
risque de développer du diabète gestationnel. Par contre, comme le recrutement de cette
population était difficile, les critères d’admissibilité ont été élargis pour aussi inclure des
femmes en âge de procréer (18 à 44 ans) à risque de développer du diabète gestationnel.
66
Seulement une femme enceinte à risque de développer du diabète gestationnel a complété
l’étude en entier alors seuls les résultats chez les femmes en âge de procréer seront présentés
dans cette thèse. Le choix de l’outil pour mesurer l’alimentation et la consommation de fruits
et légumes des participantes est basé sur les résultats de la revue systématique et de l’étude
de validation. Le contenu de l’outil d’intervention est basé sur les résultats de la recherche
formative sur les principales barrières et solutions à la consommation de fruits et légumes.
Les hypothèses de recherche pour l’étude d’intervention portent sur trois principales
variables, soit la consommation de fruits et légumes, le poids et la glycémie. La
consommation de fruits et légumes est la principale variable d’intérêt alors que le poids et la
glycémie sont des variables secondaires.
Consommation de fruits et légumes: Les femmes exposées à l’intervention de type activation
des intentions (groupe expérimental) ont une augmentation significativement plus élevée de
la quantité quotidienne moyenne de fruits et légumes consommée comparativement à celles
exposées à l’effet question-comportement (groupe contrôle) aux suivis de 3 et 6 mois.
Poids, IMC et tour de taille: Les femmes du groupe expérimental n’ont pas significativement
augmenté leurs moyennes de poids corporel, d’IMC et de tour de taille comparativement à
celles du groupe contrôle au suivi de 6 mois.
Glycémie à jeun: Les femmes du groupe expérimental n’ont pas significativement augmenté
leur moyenne de glycémie à jeun comparativement à celle du groupe contrôle au suivi de 6
mois.
67
CHAPITRE 2: VALIDITY AND RELIABILITY OF SELF-REPORTED MEASURES OF FOODS AND NUTRIENTS IN PREGNANCY: A SYSTEMATIC REVIEW
Résumé
L’objectif de cette revue systématique était d’évaluer les preuves de validité et de fidélité
concernant les mesures auto-déclarées de l’alimentation durant la grossesse. Les
questionnaires de fréquence alimentaire (FFQ) avaient des preuves de validité acceptables
lorsqu’ils étaient comparés à des biomarqueurs ( ͞r : 0,04-0,58; k=19), à des rappels de 24
heures (r͞ : 0,12-0,63; k=11) et à des journaux alimentaires ( ͞r : 0,28-0,65; k=12). L’histoire
alimentaire (͞r : 0,07-0,47; k=7) et les journaux alimentaires (͞r : 0,25-0,53; k=7) avaient des
preuves de validité acceptables lorsque comparés à des biomarqueurs. Les rappels de 24
heures avaient de faibles preuves de validité lorsqu’ils étaient comparés à des biomarqueurs.
Les preuves de fidélité étaient bonnes pour les FFQ, acceptables pour l’histoire alimentaire
et non-concluantes pour les rappels de 24 heures. Les résultats suggèrent que les FFQ et les
journaux alimentaires possèdent les plus fortes preuves de validité pour mesurer
l’alimentation durant la grossesse.
68
Abstract
This systematic review aims to critically appraise evidence on validity and reliability of self-
reported measures of foods and nutrients in pregnancy. PubMed and EMBASE were
investigated. Fifty-four studies were included. Food-frequency questionnaires had acceptable
evidence of validity when compared with biomarkers (͞r between 0.04 and 0.58; k=19), 24-
hour recalls ( ͞r between 0.12 and 0.63; k=11) and food records: (͞r between 0.28 and 0.65;
k=12). Dietary history ( ͞r between 0.07 and 0.47; k=7) and food records (r͞ between 0.25 and
0.53; k=7) had acceptable evidence of validity when compared with biomarkers. 24-hour
recalls had poor evidence of validity against biomarkers. Evidence on reliability was good
for food-frequency questionnaires, acceptable for the dietary history and inconclusive for 24-
hour recalls. The results suggest that food-frequency questionnaires and food records have
the strongest evidence of validity when assessing nutrition during pregnancy and more
studies are needed to validate 24-hour recalls and the dietary history.
69
Introduction
Pregnancy is a special moment during which many physiological changes occur such as an
increase in the woman’s nutritional needs and the possibility of experiencing nausea1.
Moreover, there is evidence that social desirability can affect the amount of food that women
report consuming2. While there is evidence on the validity of different self-reported measures
of diet among the general population3-5, including for food-frequency questionnaires (FFQ)6,7
and 24-hour recalls8, this does not seem to be the case for pregnant women. In fact, to our
knowledge, only two reviews were conducted among pregnant women. The first review
reported information on the validation of dietary assessment methods for micronutrient
intake in pregnant women9 while the second reported the relationship between zinc intake
and serum/plasma zinc concentrations in pregnant and lactating women10. Notwithstanding
the very useful information provided by those reviews, they only reported information on
micronutrients and validity. The objective of the present systematic review was thus to fill
this gap in the literature by critically appraising evidence on validity and reliability of self-
reported measures of foods and nutrients in pregnancy.
Methods
Study Eligibility Criteria
To be included in the systematic review, studies had to report proofs of validity and/or
reliability for a self-reported measure of nutrition in pregnancy (see Table 1 for definitions
of the different types of validity and reliability). Studies reporting validation of various
biomarkers were not included given that they are not self-reported measures of nutrition, but
studies reporting validation of a self-reported measure compared to biomarkers were
included in the review. Studies reporting validation of dietary patterns, dietary indexes or
dietary scores were excluded. Studies that reported validation of self-reported measures for
a specific beverage, such as alcohol and coffee, were not included, but studies on a specific
food such as fish or fruits and vegetables were included in the review. Studies on the use of
supplements, such as iron and folic acid, were excluded. Studies on pregnant teenagers or on
women with eating disorders were excluded. Finally, studies that reported pre-pregnancy or
post-pregnancy intake were not included in the review.
70
Search Strategy
The following databases were investigated: MEDLINE/PubMed (1950+) and EMBASE
(1974+). No restriction was placed on the year of publication of the articles. The search was
performed by LAVI on February 3, 2014 and it included articles published until January 31,
2014. In MEDLINE/PubMed, a combination of keywords and MeSH terms was used. In
EMBASE, only Emtree terms were used (see Table 2 for a complete list of keywords). The
search was limited to articles published in English. Additional studies were included by
checking the references of the articles included in the systematic review (i.e., secondary
references).
Study Selection and Data Extraction
All of the articles were first screened by LAVI according to their title and abstract. Clearly
irrelevant articles were excluded. The remaining articles were fully retrieved (full-text) and
the two authors independently assessed them for eligibility. Disagreements were resolved
by discussion.
Data were independently extracted by the two authors using a standardized data extraction
form that was pre-tested on a random sample of five articles included in the review. Types
of validity were classified according to the new Standards for Educational and Psychological
Testing11. Quality of the studies was assessed using the following four criteria: 1) whether
both the tool to be validated and the comparison tool assessed nutrition in the same trimester
of pregnancy given there is evidence of variations in food preferences and intake during
pregnancy12, 2) whether cross-sectional studies had a response rate ≥ 60%13and longitudinal
studies had an attrition at follow-up ≤ 20%14, 3) whether cross-sectional studies compared its
respondents to non-respondents for main socio-demographic characteristics (e.g., age, body
mass index, socio-economic status) and longitudinal studies compared its completers to its
dropouts for main socio-demographic characteristics, and 4) whether a study reported both
crude and energy-adjusted correlations15.
71
Data Analyses
Descriptive statistical analyses were performed using SAS version 9.3 (SAS Institute, Cary,
NC, USA). An overall effect size ( ͞r ) was computed for studies reporting multiple
correlations, such as those reporting separate correlations for each nutrient, using the formula
for the Hunter-Schmidt Method16,17 (see Supplementary file 2 for the formula). For studies
reporting information on validity, correlations were classified according to Cohen’s criteria18
that is, a correlation of 0.10 is considered a small effect size, 0.30 a medium effect size and
0.50 a large effect size. For studies reporting information on reliability, intra-class
correlations (ICC)19 were classified according to Fermanian’s criteria20 that is, an ICC
between 0 and 0.30 is considered very bad or null, between 0.31 and 0.50 mediocre, between
0.51 and 0.70 moderate, between 0.71 and 0.90 good and over 0.91 very good. For studies
reporting kappa statistics, they were classified according to Landis & Koch’s criteria21 that
is, a kappa statistic between 0 and 0.20 is considered slight, between 0.21 and 0.40 fair,
between 0.41 and 0.60 moderate, between 0.61 and 0.80 substantial and between 0.81 and 1
almost perfect agreement.
Results
The results of the search strategy are presented in the Preferred Reporting Items for
Systematic Reviews and Meta-Analyses (PRISMA) flow-chart22 in Figure 1. A total of 54
studies were included in the review. In the rest of the text, the letter k will be used to represent
the number of studies—not to be confused with the κ used to represent a kappa statistic—
and the letter s to represent the number of samples.
Characteristics of the Studies
A summary of the studies is presented in Table 3. Of the 54 studies included in the systematic
review, 24 were conducted in North America (United States: 1823-40, Canada: 541-45 and
Mexico: 146), 16 in Europe (United Kingdom: 347-49, Denmark: 350-52, Norway: 253,54;
Portugal: 255,56, Spain: 257,58, Belgium: 159, Finland: 160, Slovenia: 161, The Netherlands: 162),
8 in Asia (Japan: 463-66, China: 167, Indonesia: 168, Israel: 169, Malaysia: 170), 3 in South
America (Brazil71-73), 2 in Oceania (Australia74,75) and 1 in Africa (Nigeria76). Nineteen
studies23,26,27,29,30,33,35,38,39,41,44,46,48,52,53,57,62,69,75 were cross-sectional, 26
72
studies24,25,28,31,32,34,37,40,42,43,45,47,50,51,54-56,58-61,67,68,71,72,74,76 were longitudinal and 9
studies36,49,63-66,70,73 were both cross-sectional and longitudinal.
Quality of the Studies
Almost all of the studies24-30,32-36,39-46,48,52,53,55-66,68-71,73-76 (k = 43) had nutritional information
for the same period of pregnancy covered by the tool to be validated and the comparison tool
(see Table 4). Five studies23,31,37,38,49 did not report this information and the remaining six
studies47,50,51,54,67,72 compared dietary intake with tools covering different trimesters of
pregnancy. Twenty-five studies24,29,32,38,39,43,45-48,50-54,58,60,62-64,66-68,70,76 had a response rate ≥
60% or an attrition at follow-up ≤ 20%. Fourteen studies23,26,30,33,35,37,40,41,44,49,55,57,69,75 did not
report this information and the remaining 15 studies25,27,28,31,34,36,42,56,59,61,65,71-74 had lower
response rates or higher attritions at follow-up. Only 12 studies24,25,27,29,33,36,45,50,51,53,56,68
compared whether respondents or completers differed from non-respondents or dropouts.
The other studies either did not report this information23,26,30,37,40,41,44,57 (k = 8) or did not
verify this information in their sample28,31,32,34,35,38,39,42,43,46-49,52,54,55,58-67,69-76 (k = 34). Finally,
25 studies25,27,28,36,38,41,46,48,50-54,56,58,60,63-68,70,71,73 reported both crude and energy-adjusted
correlations, 26 studies23,26,29-35,37,40,42-45,47,49,55,57,59,61,62,72,74-76 only reported crude
correlations, 2 studies39,69 did not report this information given their results were not
presented in terms of correlations and 1 study24 reported only energy-adjusted correlations.
Characteristics of the Participants
The mean age of participants at baseline was provided in 36 samples23,26,27,30,31,33,37,40-
43,45,47,48,53,54,56,57,60,62-66,68,70-73,75. The pooled mean age of the pregnant women in those
samples was 29.6±3.4 years (range: 21.7 to 35.3). Twenty-six samples27,31,41,47,48,53-56,59,60,63-
67,70-72 provided information on the pre-pregnancy body mass index (BMI) of their
participants or the information needed to calculate it (i.e., mean weight and height). The
pooled mean BMI of the participants in those samples was 22.3±1.7 kg/m2 (range: 20.2 to
25.3), indicating a mean normal weight at baseline. Twenty-two samples32,42,46,47,57,59,61-
66,71,72,74,76 were comprised of healthy women and one sample37 was comprised of obese
women (≥ 20 lbs. above ideal pre-pregnancy weight). One study41 reported information on
women with and without gestational diabetes and another study40 reported information on
73
non-diabetic and insulin-dependent women. Thirty samples30,32,39,41-43,45,47-52,57,61-66,70-73,75
specified baseline gestational age. The pooled mean number of weeks of gestation for the
women was 22.5±8.0 weeks (range: 11.0 to 40.0), indicating that the majority of women were
in their second trimester of pregnancy at the first assessment of dietary intake.
Evidence on Validity
Sixty-six samples23,24,26,27,29,30,32-36,38-67,69-76 provided information on criterion-related validity
(i.e., validity in relation to another tool) (see Table 5). This number is higher than the number
of studies included (k = 54) given that some studies reported validation of a nutritional
assessment tool against several other tools (e.g., FFQ vs. 24-hour recalls and biomarkers) and
this is also why the results are reported in terms of number of samples. Thirty-six samples
reported validity of self-reported intakes during pregnancy only for nutrients23,26,30,40-
42,44,46,51,52,55,57,59,62-66,72,74-76 (s = 26) or for energy and nutrients24,27,32,35,36,38,45,51,56,71 (s = 10)
with a mean number of 5.2±7.2 nutrients (range: 1 to 24). One sample69 reported validity for
foods only, 5 samples50,54 for fruits and vegetables consumption, 6 samples29,33,34,39,43,61 for
fish consumption, 4 samples73 for consumption of 51 polyphenol-rich foods and 1 sample49
for consumption of 10 main food allergens. Eleven samples37,47,48,53,60,67,70 reported validity
for both foods and nutrients and 2 samples54,58 for fruits and vegetables and nutrients.
Food-Frequency Questionnaire vs. Biomarkers. Among the 42 samples24,27,30,32-36,38,39,41-43,45-
51,53-56,58-61,67,69-73 reporting validation of a FFQ, 19 samples30,33,34,39,41-43,46,48,50,51,53-
55,58,61,69,72,73 reported information on an association with biomarkers, making it the category
for which there is the most evidence on validity. Seventeen samples30,33,34,41-43,46,48,50,51,53-
55,58,61,72,73 reported a total of 27 correlations between dietary intakes obtained from a FFQ
and biomarkers. The majority of correlations indicated either small-to-medium (͞r between
0.12 and 0.30; n = 18) or medium-to-large (͞r between 0.31 and 0.47; n = 5) effect sizes. The
studies of Innis et al.42 and of Brantsaeter et al.53 had large effect sizes (r͞ = 0.54 and 0.58).
Only two correlations—between a FFQ measuring fatty acids consumption and a gluteal
subcutaneous adipose tissue sample55 and between a FFQ measuring omega-3 and omega-6
PUFA and maternal erythrocyte PUFA concentration30—were below a small effect size (͞r =
0.04 and 0.09). The study of Abramson et al.69 indicated a significant (p < 0.05) association
74
between the frequency of foods (bread, milk, meat, fish, eggs, fruits, vegetables, fruits or
vegetable juice, etc.) estimated by the FFQ and hemoglobin levels. The study of Williams et
al.39 also found a significant (p < 0.001) association between the frequency of fish
consumption estimated by the FFQ and erythrocyte fatty acid levels.
Among the samples that reported both crude and energy-adjusted correlations, energy-
adjusted correlations were higher for all of them50,51,58, except for one sample41 where both
correlations were identical. In one study58, the correlations with biomarkers were higher
when assessing fruits and vegetables compared to assessing nutrients. One study54 reported
a slightly higher correlation with biomarkers among women not taking supplements, while
another study58 found higher correlations when assessing diet and supplements compared to
nutrients only. Finally, another study53 reported a higher correlation between dietary intakes
obtained from a FFQ and biomarkers when the sample was comprised only of women without
nausea.
Food-Frequency Questionnaire vs. 24-Hour Recalls. Eleven samples24,32,35,36,38,47,67,70-73
reported a total of 20 correlations between dietary intakes assessed by a FFQ and 24-hour
recalls. The majority of correlations indicated either small-to-medium (͞r between 0.12 and
0.29; n = 6) or medium-to-large effect sizes (͞r between 0.31 and 0.46; n = 10). The studies
of Vian et al.73, of Mouratidou et al.47 and of Cheng et al.67 had four correlations that
represented large effect sizes ( ͞r between 0.51 and 0.63). Among the samples that reported
both crude and energy-adjusted correlations, energy-adjusted correlations were lower for all
of them38,67,70,71,73, except for one study36 where the correlation was higher when adjusted for
energy intake. The range of correlations for assessment of energy intake was from 0.06 to
0.68. One study70 observed a higher crude correlation when assessing intake of nutrients
compared to foods, but this difference disappeared once energy-adjusted. However, another
study47 observed a higher correlation when assessing intake of foods compared to nutrients.
Food-frequency questionnaire vs. food records (weighted and estimated). Twelve
samples27,45,48-51,53,54,56,59,60,73 reported a total of 35 correlations between dietary intakes
assessed by a FFQ and food records either weighted or estimated. The vast majority of
correlations represented medium-to-large effect sizes (͞r between 0.32 and 0.48; n = 30). The
75
studies of Vian et al.73, of Mikkelsen et al.50 and of De Vriese et al.59 presented four
correlations indicating large effect sizes (r͞ between 0.52 and 0.65). One sample had a small-
to-medium effect size (͞r = 0.28). The study of Venter et al.49 reported a kappa statistic, which
represented a fair strength of agreement (κ = 0.40) between a FFQ and a food record.
Among the samples that reported both crude and energy-adjusted correlations, the majority
of them27,48,50,51,53,54,60 had higher correlations when adjusted for energy intake, except for
three samples56,60,73 where the correlations were lower when energy-adjusted and for two
samples53 where the correlations were identical. The range of correlations for assessment of
energy intake was from 0.19 to 0.49. One study54 had similar correlations for fruits and
vegetables and for nutrients from diet only. Another study60 had identical correlations for
foods and nutrients once they were adjusted for energy intake. In three different studies48,51,53,
crude and energy-adjusted correlations for nutrients were always higher when they included
the use of supplements. Finally, one study53 also reported higher correlations among women
without nausea.
Dietary History vs. Biomarkers. Among the 8 samples23,37,40,62-66 reporting validation of a
dietary history, 7 samples23,40,62-66 reported information on an association with biomarkers
for a total of 19 correlations. The large majority of correlations indicated small-to-medium
effect sizes (r͞ between 0.12 and 0.30; n = 13). Four correlations represented medium-to-large
effect sizes (r͞ between 0.31 and 0.47) and two correlations were below a small effect size (r͞
= 0.07 and 0.10). Among the samples that reported both crude and energy-adjusted
correlations, all of them64-66 had higher correlations when adjusted for energy intake, except
for one sample63 where the correlations were lower when energy-adjusted. Correlations
between a dietary history and biomarkers were also higher when only women without nausea
were included63,65,66. The study of van den Berg et al.37 reported information on the
association between a dietary history and a food record and observed that the mean values
for foods and nutrients estimated by the dietary history were significantly different (p <
0.001) from those estimated by the food record, except for milk (p = 0.90), and meat and fish
(p = 0.23).
76
24-hour Recalls vs. Biomarkers. Four samples26,72,73,76 reported a total of five correlations
between dietary intakes obtained by 24-hour recalls and biomarkers. The correlations either
represented small-to-medium effect sizes (͞r = 0.19 and 0.22) or were below a small effect
size ( ͞r = 0.06). One study73 reported both crude and energy-adjusted correlations, which were
identical.
Food Records vs. Biomarkers. Seven samples48,50,51,53-55,74 reported a total of 10 correlations
between dietary intakes estimated from food records and biomarkers. Most of them are
considered as medium-to-large effect sizes (͞r between 0.35 and 0.44; n = 6). Two correlations
represented small-to-medium effect sizes (͞r = 0.25 and 0.28). The studies of Brown et al.74
and of Brantsaeter et al.54 had two correlations indicating large effect sizes (͞r = 0.51 and
0.53). In one study50, adjustment for energy intake resulted in a slightly higher correlation
while in another study51 this adjustment lowered the correlation between dietary intakes
assessed from food records and biomarkers. In one study54, the correlation was lower when
only women not taking supplements were analyzed. The study of Moscovitch et al.44 reported
a correlation between dietary intakes from an estimated food record and the measured food
content of diet, which indicated a large effect size (͞r = 0.73).
Other Types of Dietary Assessments. Two samples52,57 reported a total of three correlations
between dietary intakes assessed by interview and biomarkers. They both assessed fatty acids
intake and had small-to-medium effect sizes (͞r between 0.16 and 0.20). One study52 had a
slightly higher correlation when adjusted for energy intake. The study of Dar et al.29 reported
a correlation between a questionnaire on fish consumption and serum polychlorinated
biphenyl, and observed a large effect size (͞r = 0.67). Finally, the study of Zhou et al.75
reported correlations between an iron checklist and a dietary history, and observed large
effect sizes (͞r = 0.69 and 0.99). In this latter study75, including the use of supplements greatly
increased the correlation.
77
Evidence on Reliability
Twenty-one studies24,25,28,31,36,42,49,56,58-60,63-68,70,72,73 provided information on temporal
stability, a type of reliability (see Table 6). Fifteen studies assessed the reliability of
nutritional assessment tools for nutrients only28,42,59,64,72 (k = 5) or energy and
nutrients24,25,31,36,56,63,65,66,68 (s = 10) during pregnancy with a mean number of 10.2±9.8
nutrients (range: 1 to 29). One study73 assessed the reliability of a self-reported measure for
the consumption of 51 polyphenol-rich foods, another study49 for the consumption of 10 main
food allergens, and 4 studies58,60,67,70 for both foods and nutrients.
Food-Frequency Questionnaire. Fourteen studies25,28,31,36,42,49,56,58-60,67,70,72,73 reported
information on the temporal stability of a FFQ. The period of time between each
administration varied between 2 weeks to 7 years. It is worth mentioning that in the study28
for which the period of time varied up to 7 years, the women had to recall their diet during a
past pregnancy—making it different from the other studies reporting information on
reliability. Five studies25,60,70,72,73 reported a total of 10 intra-class correlations (ICC) for FFQ.
Five ICC were moderate (between 0.51 and 0.66), three ICC were good (0.73, 0.86 and 0.88)
and two ICC were mediocre (0.41 and 0.47). One study25 reported both crude and energy-
adjusted ICC, with ICC lower when adjusted for energy intake. The range of ICC for energy
intake was 0.63 to 0.93. One study25 also reported fairly lower ICC when assessing nutrients
with the use of supplements.
Eight studies28,31,36,42,56,58,59,67 reported a total of 15 correlations between the two
administrations of a FFQ among the same individuals. Seven correlations indicated large (͞r
between 0.51 and 0.87), seven correlations, medium-to-large (͞r between 0.34 and 0.49) and
one correlation, a small-to-medium effect size (͞r = 0.29). Among the studies that reported
both crude and energy-adjusted correlations, energy-adjusted correlations were lower for all
of them36,56,58,67, except for one study where the adjustment slightly increased the
correlation28. The study of Venter et al.49 reported a moderate kappa statistic (κ = 0.50).
78
Dietary History. Four studies63-66 reported information on the temporal stability of a dietary
history measure. The period of time between each administration varied between 4 and 5
weeks. Three studies had moderate ICC (0.62, 0.64 and 0.68) and one study had a good ICC
(0.71). The ICC for energy intake was 0.60.
24-Hour Recalls. Three studies24,31,68 reported information on the temporal stability of 24-
hour recalls for assessing nutrients (range: 8 to 24). The period of time between each
administration varied between 7 to 37 days. The study of Baer et al.24 had an energy-adjusted
correlation (r͞ = 0.33) that represented a medium-to-large effect size, while the study of
Forsythe et al.31 had a correlation (͞r = 0.04) indicating an effect below what is considered a
small effect size. The correlation for energy intake was 0.04. The study of Persson et al.68
reported a moderate ICC of 0.62. The ICC for energy intake was 0.81.
Discussion
The present systematic review identified 54 studies that examined the validity and reliability
of self-reported foods and nutrients intake during pregnancy. These studies were from 20
different countries representing 5 continents. Sixty-six samples provided information on
criterion-related validity and 21 studies provided information on temporal stability, a type of
reliability. The majority of the studies were of good quality meeting
one26,30,34,35,40,42,44,47,55,57,59,61,69,74,75 (k = 15), two28,32,33,38,39,41,43,54,62,65,67,71,73,76 (k = 14) or
three24,25,27,29,36,45,46,48,50-52,56,58,60,63,64,66,70 (k = 18) of the four quality criteria. Only five
studies23,31,37,49,72 did not meet any of the quality criteria. The studies of Brantsaeter et al.53
and of Persson et al.68 were the only ones meeting all four quality criteria.
Evidence on Validity
The category for which there is the most evidence on validity was a comparison between a
FFQ and biomarkers (s = 19). FFQ were also compared to 24-hour recalls (s = 11) and food
records (s = 12), either weighted or estimated. The evidence on validity of a FFQ compared
to three dietary assessment methods was acceptable, with the majority of correlations
indicating small-to-medium or medium-to-large effect sizes. The range of correlations was
usually lower when a FFQ was correlated with biomarkers (͞r between 0.04 and 0.58)
79
compared to other dietary tools (24-hour recall: ͞r between 0.12 and 0.63; food records: ͞r
between 0.28 and 0.65). This might be explained by individual differences in absorption and
metabolism (genetic characteristics of individuals), other dietary intakes (i.e., interactions
between nutrients) and lifestyle factors (e.g., smoking and physical activity)77. Results were
inconsistent when taking into account adjustment for energy intake. In addition, the
comparison of assessment of foods compared to the assessment of nutrients as well as the
consideration of supplements use resulted in conflicting results across studies. One study53
reported higher correlations between a FFQ and biomarkers and between a FFQ and weighted
food records among women without nausea.
The dietary history also had acceptable evidence on validity when compared to biomarkers
(s = 7). The range of correlations (͞r between 0.07 and 0.47) was similar to the one for FFQ
versus biomarkers ( ͞r between 0.04 and 0.58). Yet, the majority of studies on the dietary
history had correlations classified as small-to-medium, indicating an overall smaller effect
size than for FFQ and biomarkers. Also, it is noteworthy to mention that more than half of
the studies validating a dietary history method with biomarkers were from the same group of
researchers (Shiraishi et al.63-66) who were comparing different nutrients and biomarkers.
Three studies63,65,66 reported higher correlations among women not experiencing nausea.
24-hour recalls were also compared to biomarkers as proof of their validity (s = 4). The range
of correlations (͞r between 0.06 and 0.22) was the lowest in the category of dietary methods
compared to biomarkers, with half of the correlations below a small effect size and no
correlation above a medium effect size. Therefore, evidence on validity of 24-hour recalls
against biomarkers is poor.
Finally, food records were compared to biomarkers (s = 7). Unfortunately, not all studies
reported whether food records completed by participants were weighted or estimated thereby
preventing a comparison between both measurement methods. The evidence on validity was
the highest in the category of dietary tools compared to biomarkers ( ͞r between 0.25 and 0.53),
80
with all correlations above a small effect size. Foods records are thus the self-reported
measure for which evidence on validity with biomarkers is the strongest.
Other types of dietary assessment with proof of validity included an interview on diet and
biomarkers52,57 (small-to-medium effect sizes), a questionnaire on diet and biomarkers29
(large effect size), and an iron checklist and a dietary history75 (also a large effect size). The
small number of studies on these tools averts us from judging evidence on their validity.
Evidence on Reliability
Similarly to validation studies, the majority of evidence on reliability was for FFQ (k = 14).
In fact, it was the category of dietary assessment tool for which evidence on its reliability
was the strongest, with mainly moderate or good ICC and correlations indicating moderate-
to-large or large effect sizes. Evidence on reliability was also provided for the dietary history
method (k = 4). The evidence was acceptable, with the majority of studies reporting moderate
ICC. Yet, all of the studies reporting information on reliability of the dietary history method
were from the same group of researchers (Shiraishi et al.63-66). The last category of dietary
tools for which data on reliability was provided was for 24-hour recalls (k = 3). The evidence
on the reproducibility of 24-hour recalls was scattered with statistical indexes that are trivial,
moderate and medium-to-large, thereby making it inconclusive.
Areas where Additional Studies are needed and Recommendations
In light of this systematic review, it appears that additional studies on the validity of 24-hour
recalls compared to biomarkers are needed given that the evidence collected was poor. More
studies on its temporal stability (or reproducibility) are also needed given that the evidence
was inconclusive. This is an important matter, since usually many 24-hour recalls are used
to assess one’s usual food intake78. In future studies, it would be interesting to compare
whether weighted food records correlate more strongly with biomarkers compared to
estimated food records among pregnant women. Additional studies on the reliability of the
dietary history method are also needed.
81
Three recommendations to increase quality of future studies are worth mentioning. First,
studies should report information on both the validity and reliability of their self-reported
measure given that both are needed to assess its psychometric qualities. Evidence on
reliability is essential in the context of pregnancy given that it is important to know if the
changes in food intake captured by a dietary method reflect actual changes in diet or poor
reproducibility of an instrument. A researcher could mistakenly think a woman’s diet
changed over the course of her pregnancy while this is an artifact of a tool with poor
reliability. Second, studies should assess whether adjustment for energy intake, the use of
supplements and the experience of nausea during pregnancy influence the correlations
observed between two dietary tools. Third, a methodological aspect worth improving is to
verify whether respondents or completers differ from non-respondents or dropouts. This
information is important to assess whether the results can be generalized to the whole
population of pregnant women (i.e., external validity). Only a handful of studies reported this
information.
Limitation of the Systematic Review
Unfortunately, the important heterogeneity observed between the studies prevented the
computation of pooled effect sizes across studies (meta-analysis). The studies in the present
review represented pregnant women in different trimesters of their pregnancy from different
countries for which different foods and nutrients were assessed using different dietary tools.
Conclusion
To conclude, to our knowledge, this is the first systematic review to critically appraise
evidence on both validity and reliability of self-reported measures of foods and nutrients
intake during pregnancy. Other novel aspects include classifying types of validity according
to the new Standards for Educational and Psychological Testing11, reporting results by
following the PRISMA statement guidelines22 and classifying statistical indexes according
to specific criteria18,20,21 widely used in research. Based on the results of the present
systematic review, FFQ are the self-reported measure with the strongest evidence of validity
and reliability when assessing nutrition during pregnancy and more studies are needed on the
validity of other self-reported measures of diet in pregnancy.
82
Acknowledgements
Lydi-Anne Vézina-Im is recipient of a doctoral research award from the Canadian Institutes
of Health Research.
83
References Papers of particular interest, published recently (2011 to present), have been highlighted as: *Of importance **Of major importance 1. Fowles ER, Fowles SL. Healthy eating during pregnancy: determinants and supportive strategies. Journal of community health nursing. Jul-Sep 2008;25(3):138-152. 2. Mossavar-Rahmani Y, Tinker LF, Huang Y, et al. Factors relating to eating style, social desirability, body image and eating meals at home increase the precision of calibration equations correcting self-report measures of diet using recovery biomarkers: findings from the Women's Health Initiative. Nutrition journal. 2013;12:63. 3. Bingham SA, Gill C, Welch A, et al. Comparison of dietary assessment methods in nutritional epidemiology: weighed records v. 24 h recalls, food-frequency questionnaires and estimated-diet records. The British journal of nutrition. Oct 1994;72(4):619-643. 4. Block G. A review of validations of dietary assessment methods. American journal of epidemiology. Apr 1982;115(4):492-505. 5. Lee-Han H, McGuire V, Boyd NF. A review of the methods used by studies of dietary measurement. Journal of clinical epidemiology. 1989;42(3):269-279. 6. Cade J, Thompson R, Burley V, Warm D. Development, validation and utilisation of food-frequency questionnaires - a review. Public health nutrition. Aug 2002;5(4):567-587. 7. Molag ML, de Vries JH, Ocke MC, et al. Design characteristics of food frequency questionnaires in relation to their validity. American journal of epidemiology. Dec 15 2007;166(12):1468-1478. 8. Poslusna K, Ruprich J, de Vries JH, Jakubikova M, van't Veer P. Misreporting of energy and micronutrient intake estimated by food records and 24 hour recalls, control and adjustment methods in practice. The British journal of nutrition. Jul 2009;101 Suppl 2:S73-85. 9. Ortiz-Andrellucchi A, Doreste-Alonso J, Henriquez-Sanchez P, Cetin I, Serra-Majem L. Dietary assessment methods for micronutrient intake in pregnant women: a systematic review. The British journal of nutrition. Dec 2009;102 Suppl 1:S64-86. 10. *Moran VH, Skinner AL, Medina MW, et al. The relationship between zinc intake and serum/plasma zinc concentration in pregnant and lactating women: a systematic review with dose-response meta-analyses. Journal of trace elements in medicine and biology : organ of the Society for Minerals and Trace Elements (GMS). Jun 2012;26(2-3):74-79. This systematic review reports evidence on the relationship between zinc intake and serum/plasma zinc concentration in pregnant and lactating women. 11. American Educational Research Association. Standards for educational and psychological testing. Washington: American Educational Research Association; 1999. 12. Bowen DJ. Taste and food preference changes across the course of pregnancy. Appetite. Dec 1992;19(3):233-242. 13. Sierles FS. How to do research with self-administered surveys. Acad Psychiatry. Summer 2003;27(2):104-113. 14. Kristman V, Manno M, Cote P. Loss to follow-up in cohort studies: how much is too much? Eur J Epidemiol. 2004;19(8):751-760. 15. Willett WC, Howe GR, Kushi LH. Adjustment for total energy intake in epidemiologic studies. The American journal of clinical nutrition. Apr 1997;65(4 Suppl):1220S-1228S; discussion 1229S-1231S.
84
16. Diener MJ, Hilsenroth MJ, Weinberger J. A primer on meta-analysis of correlation coefficients: the relationship between patient-reported therapeutic alliance and adult attachment style as an illustration. Psychotherapy research : journal of the Society for Psychotherapy Research. Jul 2009;19(4-5):519-526. 17. Field AP. Meta-analysis of correlation coefficients: a Monte Carlo comparison of fixed- and random-effects methods. Psychological methods. Jun 2001;6(2):161-180. 18. Cohen J. A power primer. Psychol Bull. Jul 1992;112(1):155-159. 19. Shrout P, Fleiss J. Intraclass Correlations: Uses in Assessing Rater Reliability. Psychological Bulletin. 1979;86(2):420-428. 20. Fermanian J. [Measuring agreement between 2 observers: a quantitative case]. Rev Epidemiol Sante Publique. 1984;32(6):408-413. 21. Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics. Mar 1977;33(1):159-174. 22. Moher D, Liberati A, Tetzlaff J, Altman DG. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. Annals of internal medicine. Aug 18 2009;151(4):264-269, W264. 23. Anderson DM, Hollis BW, LeVine BR, Pittard 3rd WB. Dietary assessment of maternal vitamin D intake and correlation with maternal and neonatal serum vitamin D concentrations at delivery. Journal of perinatology : official journal of the California Perinatal Association. 1988 1988;8(1):46-48. 24. Baer HJ, Blum RE, Rockett HR, et al. Use of a food frequency questionnaire in American Indian and Caucasian pregnant women: a validation study. BMC public health. 2005;5:135. 25. Bosco JLF, Tseng M, Spector LG, Olshan AF, Bunin GR. Reproducibility of reported nutrient intake and supplement use during a past pregnancy: A report from the Children's Oncology Group. Paediatric and perinatal epidemiology. January 2010;24(1):93-101. 26. Bowering J, Lowenberg RL, Morrison MA. Nutritional studies of pregnant women in East Harlem. The American journal of clinical nutrition. Sep 1980;33(9):1987-1996. 27. Brown JE, Buzzard IM, Jacobs DR, Jr., et al. A food frequency questionnaire can detect pregnancy-related changes in diet. Journal of the American Dietetic Association. Mar 1996;96(3):262-266. 28. Bunin GR, Gyllstrom ME, Brown JE, Kahn EB, Kushi LH. Recall of diet during a past pregnancy. American journal of epidemiology. Dec 15 2001;154(12):1136-1142. 29. Dar E, Kanarek MS, Anderson HA, Sonzogni WC. Fish consumption and reproductive outcomes in Green Bay, Wisconsin. Environmental research. Oct 1992;59(1):189-201. 30. Donahue SM, Rifas-Shiman SL, Olsen SF, Gold DR, Gillman MW, Oken E. Associations of maternal prenatal dietary intake of n-3 and n-6 fatty acids with maternal and umbilical cord blood levels. Prostaglandins, leukotrienes, and essential fatty acids. May-Jun 2009;80(5-6):289-296. 31. Forsythe HE, Gage B. Use of a multicultural food-frequency questionnaire with pregnant and lactating women. The American journal of clinical nutrition. Jan 1994;59(1 Suppl):203S-206S. 32. Greeley S, Storbakken L, Magel R. Use of a modified food frequency questionnaire during pregnancy. Journal of the American College of Nutrition. Dec 1992;11(6):728-734.
85
33. Oken E, Radesky JS, Wright RO, et al. Maternal fish intake during pregnancy, blood mercury levels, and child cognition at age 3 years in a US cohort. American journal of epidemiology. May 2008;167(10):1171-1181. 34. Oken E, Wright RO, Kleinman KP, et al. Maternal fish consumption, hair mercury, and infant cognition in a U.S. Cohort. Environmental health perspectives. Oct 2005;113(10):1376-1380. 35. Saldana TM, Siega-Riz AM, Adair LS. Effect of macronutrient intake on the development of glucose intolerance during pregnancy. The American journal of clinical nutrition. Mar 2004;79(3):479-486. 36. Suitor CJ, Gardner J, Willett WC. A comparison of food frequency and diet recall methods in studies of nutrient intake of low-income pregnant women. Journal of the American Dietetic Association. Dec 1989;89(12):1786-1794. 37. Van Den Berg AS, Mayer J. Comparison of one-day food record and research dietary history on a group of obese pregnant women. Journal of the American Dietetic Association. Dec 1954;30(12):1239-1244. 38. Wei EK, Gardner J, Field AE, Rosner BA, Colditz GA, Suitor CW. Validity of a food frequency questionnaire in assessing nutrient intakes of low-income pregnant women. Maternal and child health journal. Dec 1999;3(4):241-246. 39. Williams MA, Frederick IO, Qiu C, et al. Maternal erythrocyte omega-3 and omega-6 fatty acids, and plasma lipid concentrations, are associated with habitual dietary fish consumption in early pregnancy. Clinical biochemistry. November 2006;39(11):1063-1070. 40. Woekener JP, Pitkin RM. Urinary urea-nitrogen ratio as an index of protein nutrition in diabetic pregnancy. Obstetrics and gynecology. 1978 1978;51(5):573-576. 41. *Baddour SE, Virasith H, Vanstone C, et al. Validity of the Willett food frequency questionnaire in assessing the iron intake of French-Canadian pregnant women. Nutrition (Burbank, Los Angeles County, Calif.). May 2013;29(5):752-756. This paper reports evidence of validity for a food-frequency questionnaire among pregnant women with and without gestational diabetes. 42. Innis SM, Elias SL. Intakes of essential n-6 and n-3 polyunsaturated fatty acids among pregnant Canadian women. American Journal of Clinical Nutrition. 1 2003;77(2):473-478. 43. Morrissette J, Takser L, St-Amour G, Smargiassi A, Lafond J, Mergler D. Temporal variation of blood and hair mercury levels in pregnancy in relation to fish consumption history in a population living along the St. Lawrence River. Environmental research. July 2004;95(3):363-374. 44. Moscovitch LF, Cooper BA. Folate content of diets in pregnancy: comparison of diets collected at home and diets prepared from dietary records. American Journal of Clinical Nutrition. 1973 1973;26(7):707-714. 45. *Shatenstein B, Xu H, Luo ZC, Fraser W. Relative validity of a food frequency questionnaire for pregnant women. Canadian journal of dietetic practice and research : a publication of Dietitians of Canada = Revue canadienne de la pratique et de la recherche en dietetique : une publication des Dietetistes du Canada. Summer 2011;72(2):60-69. This paper reports evidence of validity for a food-frequency questionnaire for pregnant women. 46. Parra MS, Schnaas L, Meydani M, Perroni E, Martinez S, Romieu I. Erythrocyte cell membrane phospholipid levels compared against reported dietary intakes of polyunsaturated fatty acids in pregnant Mexican women. Public health nutrition. Dec 2002;5(6A):931-937.
86
47. Mouratidou T, Ford F, Fraser RB. Validation of a food-frequency questionnaire for use in pregnancy. Public health nutrition. Jun 2006;9(4):515-522. 48. Robinson S, Godfrey K, Osmond C, Cox V, Barker D. Evaluation of a food frequency questionnaire used to assess nutrient intakes in pregnant women. European journal of clinical nutrition. May 1996;50(5):302-308. 49. Venter C, Higgins B, Grundy J, Clayton CB, Gant C, Dean T. Reliability and validity of a maternal food frequency questionnaire designed to estimate consumption of common food allergens. Journal of human nutrition and dietetics : the official journal of the British Dietetic Association. Apr 2006;19(2):129-138. 50. Mikkelsen TB, Olsen SF, Rasmussen SE, Osler M. Relative validity of fruit and vegetable intake estimated by the food frequency questionnaire used in the Danish National Birth Cohort. Scandinavian journal of public health. 2007;35(2):172-179. 51. Mikkelsen TB, Osler M, Olsen SF. Validity of protein, retinol, folic acid and n-3 fatty acid intakes estimated from the food-frequency questionnaire used in the Danish National Birth Cohort. Public health nutrition. Sep 2006;9(6):771-778. 52. Olsen SF, Hansen HS, Sandstrom B, Jensen B. Erythrocyte levels compared with reported dietary intake of marine n-3 fatty acids in pregnant women. The British journal of nutrition. Mar 1995;73(3):387-395. 53. Brantsaeter AL, Haugen M, Alexander J, Meltzer HM. Validity of a new food frequency questionnaire for pregnant women in the Norwegian Mother and Child Cohort Study (MoBa). Maternal and Child Nutrition. January 2008;4(1):28-43. 54. Brantsaeter AL, Haugen M, Rasmussen SE, Alexander J, Samuelsen SO, Meltzer HM. Urine flavonoids and plasma carotenoids in the validation of fruit, vegetable and tea intake during pregnancy in the Norwegian Mother and Child Cohort Study (MoBa). Public health nutrition. Aug 2007;10(8):838-847. 55. Pinto E, Ramos E, Severo M, et al. Measurement of dietary intake of fatty acids in pregnant women: comparison of self-reported intakes with adipose tissue levels. Annals of epidemiology. Aug 2010;20(8):599-603. 56. Pinto E, Severo M, Correia S, dos Santos Silva I, Lopes C, Barros H. Validity and reproducibility of a semi-quantitative food frequency questionnaire for use among Portuguese pregnant women. Maternal & child nutrition. Apr 2010;6(2):105-119. 57. Matorras R, Perteagudo L, Sanjurjo P, Ruiz JI. Intake of long chain w3 polyunsaturated fatty acids during pregnancy and the influence of levels in the mother on newborn levels. European journal of obstetrics, gynecology, and reproductive biology. Apr 1999;83(2):179-184. 58. **Vioque J, Navarrete-Munoz EM, Gimenez-Monzo D, et al. Reproducibility and validity of a food frequency questionnaire among pregnant women in a Mediterranean area. Nutrition journal. 2013;12(1). This paper reports evidence of validity and reliability for a food-frequency questionnaire among pregnant women in a Mediterranean area. 59. De Vriese SR, De Henauw S, De Backer G, Dhont M, Christophe AB. Estimation of dietary fat intake of Belgian pregnant women. Comparison of two methods. Annals of nutrition & metabolism. 2001;45(6):273-278. 60. Erkkola M, Karppinen M, Javanainen J, Rasanen L, Knip M, Virtanen SM. Validity and reproducibility of a food frequency questionnaire for pregnant Finnish women. American journal of epidemiology. 1 2001;154(5):466-476.
87
61. Miklavcic A, Cuderman P, Mazej D, et al. Biomarkers of low-level mercury exposure through fish consumption in pregnant and lactating Slovenian women. Environmental research. November 2011;111(8):1201-1207. 62. Al MD, Badart-Smook A, von Houwelingen AC, Hasaart TH, Hornstra G. Fat intake of women during normal pregnancy: relationship with maternal and neonatal essential fatty acid status. Journal of the American College of Nutrition. Feb 1996;15(1):49-55. 63. **Shiraishi M, Haruna M, Matsuzaki M, Murayama R, Kitanaka S, Sasaki S. Validity of a self-administered diet history questionnaire for estimating vitamin D intakes of Japanese pregnant women. Maternal and Child Nutrition. 2013. This paper reports evidence of validity and reliability for a dietary history method among pregnant Japanese women. 64. **Shiraishi M, Haruna M, Matsuzaki M, Murayama R, Sasaki S. Validity of a diet history questionnaire estimating beta-carotene, vitamin C and alpha-tocopherol intakes in Japanese pregnant women. International journal of food sciences and nutrition. Sep 2013;64(6):694-699. This paper reports evidence of validity and reliability for a dietary history method among pregnant Japanese women. 65. **Shiraishi M, Haruna M, Matsuzaki M, Murayama R, Sasaki S, Murashima S. Validity and reproducibility of folate and vitamin B12 intakes estimated from a self-administered diet history questionnaire in Japanese pregnant women. Nutrition journal. 2012;15(15). This paper reports evidence of validity and reliability for a dietary history method among pregnant Japanese women. 66. **Shiraishi M, Haruna M, Matsuzaki M, Murayama R, Yatsuki Y, Sasaki S. Estimation of eicosapentaenoic acid and docosahexaenoic acid intakes in pregnant Japanese women without nausea by using a self-administered diet history questionnaire. Nutrition research (New York, N.Y.). Jun 2013;33(6):473-478. This paper reports evidence of validity and reliability for a dietary history method among pregnant Japanese women. 67. Cheng Y, Yan H, Dibley MJ, Shen Y, Li Q, Zeng L. Validity and reproducibility of a semi-quantitative food frequency questionnaire for use among pregnant women in rural China. Asia Pacific journal of clinical nutrition. 2008;17(1):166-177. 68. Persson V, Winkvist A, Ninuk T, et al. Variability in nutrient intakes among pregnant women in Indonesia: Implications for the design of epidemiological studies using the 24-h recall method. Journal of Nutrition. 2001 2001;131(2):325-330. 69. Abramson JH, Slome C, Kosovsky C. Food frequency interview as an epidemiological tool. American journal of public health. Jul 1963;53:1093-1101. 70. **Loy SL, Marhazlina M, Nor AY, Hamid JJ. Development, validity and reproducibility of a food frequency questionnaire in pregnancy for the Universiti Sains Malaysia birth cohort study. Malaysian journal of nutrition. Apr 2011;17(1):1-18. This paper reports evidence of validity and reliability for a food-frequency questionnaire among pregnant women in Malaysia. 71. *Barbieri P, Nishimura RY, Crivellenti LC, Sartorelli DS. Relative validation of a quantitative FFQ for use in Brazilian pregnant women. Public health nutrition. Aug 2013;16(8):1419-1426. This paper reports evidence of validity for a food-frequency questionnaire among Brazilian pregnant women.
88
72. *Sartorelli DS, Nishimura RY, Castro GS, Barbieri P, Jordao AA. Validation of a FFQ for estimating omega-3, omega-6 and trans fatty acid intake during pregnancy using mature breast milk and food recalls. European journal of clinical nutrition. Nov 2012;66(11):1259-1264. This paper reports evidence of validity and reliability for a food-frequency questionnaire estimating omega-3, omega-6 and trans fatty acid intake during pregnancy. 73. **Vian I, Zielinsky P, Zilio AM, et al. Development and validation of a food frequency questionnaire for consumption of polyphenol-rich foods in pregnant women. Maternal and Child Nutrition. 2013. This paper reports evidence of validity and reliability for a food-frequency questionnaire for consumption of polyphenol-rich foods in pregnant women. 74. Brown MA, Prendergast JS, Ross MR, Gallery EDM. Comparing methods to assess dietary sodium intake in pregnancy. Journal of the American Dietetic Association. 1987 1987;87(8):1058-1060. 75. Zhou SJ, Schilling MJ, Makrides M. Evaluation of an iron specific checklist for the assessment of dietary iron intake in pregnant and postpartum women. Nutrition (Burbank, Los Angeles County, Calif.). September 2005;21(9):908-913. 76. Mbofung CMF, Atinmo T. Relationship between dietary and plasma copper levels of pregnant Nigerian women. Annals of Nutrition and Metabolism. 1985 1985;29(1):48-55. 77. **Willett W. Nutritional epidemiology. 3rd ed. New York: Oxford University Press; 2013. This book is a useful resource on nutritional epidemiology. 78. Gibson RS. Principles of nutritional assessment. 2nd ed. New York: Oxford University Press; 2005. 79. Hogan TP. Psychological testing: A practical introduction. Hoboken: John Wiley & Sons; 2003. 80. Goodwin LD, Leech NL. The meaning of validity in the new standards for educational and psychological testing: Implications for measurement courses. Measurement and Evaluation in Counseling and Development. 2003;36(3):181-191.
89
Table 1. Types of Reliability and Validity79,80
Name Definition Example Reliability The consistency (or reproducibility) of a
measure, regardless of what it was intended to measure.
Synonyms: consistency, replicability, dependability
1. Internal consistency A reliability coefficient to measure the common characteristics of a test.
Cronbach’s alpha coefficients
2. Temporal/test-retest stability A reliability coefficient obtained by administering the same test on two separate occasions.
Pearson correlation between scores on the 1st and 2nd testing.
3. Alternative form reliability A reliability coefficient obtained by administering two forms of the same test to the same participants.
Pearson correlation between scores obtained from the two forms.
Validity Validity is the degree to which all of the
accumulated evidence supports the interpretation of test scores for the intended purposes.
1. Content validity Experts’ evaluation of the content of the measure, including items, tasks, formats, wording, and processes required of participants. Experts’ reviews are conducted to obtain evidence of a test’s sufficiency, clarity, relevancy, and the match between the items and the definition of the construct.
2. Validity in relations to other variables The most extensive category of evidence. Correlational studies, criterion-group or known-group comparison studies and experimental studies
90
2.1 Convergent validity A high correlation between the test and some criterion thought to measure the same construct as the test.
2.2 Discriminant validity A low correlation with constructs other than the one the test is intended to measure.
2.3 Criterion-related validity Establishing the relationship between performance on the test and on some other criterion that is taken as an important indicator of the construct of interest.
Pearson correlation between the test to be validated and some other test that is known or presumed to be a valid measure of the relevant construct.
2.3.1 Predictive validity The extent to which a test is able to predict status on some criterion that will be attained in the future.
2.3.2 Concurrent validity The agreement between test performance and current status on some other variable.
3. Response processes validity The extent to which the tasks or types of responses required of participants fit the intended, defined construct.
Evidence that respondents are not just giving socially desirable answers
4. Internal structure validity The extent to which the internal components of a test match the defined construct.
Confirmatory factor analysis
5. Consequential validity It pertains to anticipated and unanticipated consequences of measurement.
6. Face validity Whether a test looks like it measures its target construct. It is not a type of empirical validity.
91
Table 2. Documenting the Search Name of the database (range of dates) PubMed (until January 31, 2014) Date of the search February 3, 2014 Initials of the person who ran the search LAVI Search terms / MeSH
pregnancy (MeSH Major Topic) OR pregnant women (MeSH Major Topic) AND questionnaires (MeSH terms) OR self report (MeSH terms) OR nutrition assessment (MeSH terms) OR nutrition surveys (MeSH terms) OR diet records (MeSH terms) OR diet surveys (MeSH terms) OR self report measure* (Title/Abstract) OR food diar* (Title/Abstract) OR food frequency questionnaire* (Title/Abstract) OR validation studies (MeSH terms) OR food record* (Title/Abstract) OR dietary recall* (Title/Abstract)
Limits -Article written in English only -Species: humans
Number of hits 2886 Name of the database (range of dates) EMBASE (until January 31, 2014) Date of the search February 4, 2014 Initials of the person who ran the search LAVI Search terms / MeSH
pregnancy (Emtree) OR pregnant woman (Emtree) AND questionnaire (Emtree) OR self report (Emtree) OR nutritional assessment (Emtree) OR nutrition (Emtree) OR maternal nutrition (Emtree) OR diet (Emtree) OR feeding behavior (Emtree) OR food frequency questionnaire (Emtree) OR validation study (Emtree)
Limits
-Articles written in English only - Search terms must be of major focus in articles found
Number of hits 6792
92
Figure 1. PRISMA Flow-Chart22
Records identified through MEDLINE/PubMed
(n = 2886)
Scr
een
ing
Incl
ud
ed
Eli
gib
ilit
y Id
enti
fica
tion
Records identified through EMBASE (n = 6792)
Records after duplicates removed (n = 9346)
Records screened (n = 9346)
Records excluded for title/abstract (n = 9184)
Full-text articles assessed for eligibility
(n = 162)
Full-text article excluded (n = 124)
-No validation (n = 64) -Editorials, comments, proceedings, reviews (n = 30) -Validation of dietary patterns, dietary index, dietary score (n = 10) -Not on nutrition (n = 8) -Articles unavailable (n = 7) -Not only adult pregnant women (n = 3) -Not self-report measure (n = 1) -Pre-pregnancy intake (n = 1)
Studies included in qualitative synthesis
(n = 54)
Articles included after manual search of reference
lists (n = 16)
93
Table 3. Summary of Studies reporting Validation of Self-Reported Diet during Pregnancy
Reference Country Dietary assessment
Baseline characteristics
of sample
Type(s) of reliability
and validity
Period of pregnancy
covered
Response rate / attrition at
follow-up
Main results
Abramson et al. (1963)69
Israel -Foods: bread and rolls, milk, sour milk, poultry, meat, liver, fish, herring, eggs, citrus fruits, fruits or vegetable juice, dried fruits, 15 specified green/yellow vegetables and tomatoes -FFQ vs. hemoglobin levels
N = 60 pregnant women in 5th to 8th week of gestation -Age (range): 17-39 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T1, T2 Response rate: N/R
Association between frequency and hemoglobin levels: -Milk and fruits (p<0.05) -Milk and either fruits and/or green/yellow vegetables (p<0.01) -Flesh foods, milk and fruits (p<0.01) -Flesh foods, milk and vegetables (p<0.05) -Flesh foods, milk and either fruits or vegetables (p<0.05) -Either flesh foods, or milk
94
and either fruits or vegetables (p<0.05)
Al et al. (1996)62
The Netherlands
-Fatty acids -Dietary history vs. maternal plasma
N = 176 healthy pregnant women in 22nd week of gestation -Age: 28.8 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T2 Response rate: 64.2%
Correlation between dietary history and maternal plasma: -SAF: -0.22 (p≤0.005) -PUF (range): -0.23 (p≤0.005) to 0.32 (p≤0.001) -LA (range): -0.20 (p≤0.01) to 0.32 (p≤0.001)
Anderson et al. (1988)23
United States
-Vitamin D -Dietary history vs. neonatal serum vitamin D concentrations at delivery
N = 16 pregnant women in T3 -Age: 23.0±4.0 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
N/R Response rate: N/R
-Correlation between dietary history and 25-hydroxy D2: 0.07, n.s. -Correlation between dietary history and 25-hydroxy D3: 0.05, n.s. -Correlation between dietary history and 25-hydroxy D: 0.07, n.s.
95
Baddour et al. (2013)41
Canada -Iron -FFQ vs. serum ferritin, soluble transferrin receptor and the soluble transferrin receptor index at delivery
N = 45 non-GDM and 15 GDM pregnant women in 40th week of gestation -Age: 29.1±4.8 -Pre-pregnancy BMI: 25.3±5.1
Criterion-related validity (concurrent)
T3 Response rate: N/R
Correlation between FFQ and biomarkers: -Crude: 0.30 (p=0.045) -Energy-adj.: 0.30 (p=0.043)
Baer et al. (2005)24
United States
-Nutrients: carbohydrates, proteins, fiber, total fat, SAF, MUF, PUF, n-3, cholesterol, sucrose, calcium, iron, magnesium, phosphorus, zinc, vitamin A, vitamin E, vitamin C, vitamin B1, vitamin B2, niacin, folate, vitamin B6 and vitamin B12 -3 × FFQs (4 weeks between each) vs. 6 × 24-hour recalls (7-
N = 283 pregnant women -Age (range): 16-40 -Pre-pregnancy BMI: N/R
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T1, T2, T3 Attrition at follow-up: 14.5%
Mean energy-adj. correlation between 24-hour recalls at week 12 and 24-hour recalls at week 28: 0.33 Mean energy-adj. correlation between FFQ and 24-hour recalls at week 12: 0.35 Mean energy-adj. correlation between FFQ and 24-hour recalls at week 28: 0.35
96
10 days between each)
Barbieri et al. (2013)71
Brazil -Nutrients: carbohydrates, proteins, lipids, iron, calcium, potassium, vitamin A, thiamin, riboflavin, niacin, vitamin C, SFA, cholesterol, folic acid, fiber, vitamin E, zinc, vitamin B6, magnesium and copper -2 × FFQs (14 weeks between each) vs. 3 × 24-hour recalls (3 months between each)
N = 103 healthy pregnant women in 11th week of gestation -Age: 24.0±4.5 -Pre-pregnancy BMI: 21.9±1.9
-Criterion-related validity (concurrent)
T1, T2, T3 Attrition at follow-up: 69.9%
Mean correlation between FFQ and 24-hour recalls for first 2 months of pregnancy: -Crude: 0.33 -Energy-adj.: 0.25 Mean correlation between FFQ and 24-hour recalls for whole pregnancy: -Crude: 0.27 -Energy-adj.: 0.16
Bosco et al. (2010)25
United States
-Nutrients: animal fat, vegetable fat, SAF, MUF, PUF, LA, oleic acid, n-3, proteins, animal
N = 146 pregnant women -Age at birth: 29.2±5.6 -Pre-pregnancy BMI: N/R
Temporal stability (reliability)
T2 Attrition at follow-up: 29.5%
Mean ICC between FFQ1 and FFQ2 for nutrients without supplements: -Crude: 0.62
97
proteins, cholesterol, carbohydrates, fiber, alcohol, vitamin A, retinol, thiamine, riboflavin, vitamin B6, vitamin B12, vitamin C, vitamin D, vitamin E, calcium, iron, zinc and folate -2 × FFQs (3.6 months between each)
-Energy-adj.: 0.59 Mean ICC between FFQ1 and FFQ2 for nutrients with supplements: -Crude: 0.47 -Energy-adj.: 0.41
Bowering et al. (1980)26
United States
-Vitamin C -24-hour recall vs. plasma ascorbic acid
N = 346 pregnant women in T1, T2 and T3 -Age: 27.6 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T1, T2, T3 Response rate: N/R
Correlation between vitamin C intake from 24-hour recall and plasma ascorbic acid: 0.19 (p<0.001)
Brantsaeter et al. (2008)53
Norway -Foods: milk, dairy foods, brown bread, all breads, eggs, meat, fish and seafood, fruits, juice, raw
N = 119 pregnant women in 16th to 18th week of gestation -Age: 31.2±4.1
Criterion-related validity (concurrent)
T1, T2 Response rate: 99.2%
Mean correlation between FFQ and 4-day food record: -Crude: 0.36 -Energy-adj.: 0.37
98
vegetables, all vegetables, margarine/butter, chocolate/sweets, soft drinks, tea and coffee, and nutrients: proteins, fat, carbohydrates, added sugar, fiber, β-carotene, retinol, vitamin D, vitamin E, thiamine, riboflavin, niacin, vitamin B6, folate, vitamin C, calcium, phosphorus, potassium, magnesium, iron, zinc, copper, iodine and selenium -FFQ vs. a weighted 4-day food record and 24-hour urinary nitrogen, 24-hour urinary iodine,
-Pre-pregnancy BMI: 23.2±3.6
Correlation between 4-day food record and protein content of 24-hour urine sample: 0.65 (p<0.001) Correlation between FFQ and protein content of 24-hour urine sample: 0.27 (p=0.004) Correlation between vitamin D intake of 4-day food record and plasma 25(OH)D: 0.43 (p<0.001) Correlation between vitamin D intake of FFQ and plasma 25(OH)D: 0.32 (p<0.001)
99
plasma 25-hydroxy-vitamin D and serum folate -4-day food-record vs. 24-hour urinary nitrogen, 24-hour urinary iodine, plasma 25-hydroxy-vitamin D and serum folate
Correlation between intake of dietary folate equivalents of 4-day food record and serum folate concentration: 0.57 (p<0.001) Correlation between intake of dietary folate equivalents of FFQ and serum folate concentration: 0.26 (p=0.005) Correlation between iodine intake of 4-day food record and iodine content of 24-hour urine sample: 0.46 (p<0.001) Correlation between iodine intake of FFQ
100
and iodine content of 24-hour urine sample: 0.38 (p<0.001) Correlation between protein intake of FFQ and 4-day food record among women without nausea: 0.43 Correlation between protein intake of FFQ and urinary nitrogen excretion among women without nausea: 0.58 Correlation between intake of foods and food groups between FFQ and 4-day food record: 0.48
101
Correlation between nutrients intake between FFQ and 4-day food record: 0.36
Branstsaeter et al. (2007)54
Norway -Fruits and vegetables and nutrients: proteins, fat, carbohydrates, added sugar, folate, vitamin C, magnesium and fiber -FFQ vs. weighted 4-fay food record and urinary flavonoids and plasma carotenoids
N = 119 healthy pregnant women in 12th to 15th week of gestation -Age: 31 -Pre-pregnancy BMI: 23
Criterion-related validity (concurrent)
-FFQ: T1, T2 -4-day food record: T2
Attrition at follow-up: 0.83%
Range of correlations between FFQ and 4-day food record for nutrients: -Crude: 0.22 to 0.45 -Energy-adj.: 0.28 to 0.54 Mean correlation between FFQ and 4-day food record for fruits, juices and vegetables: -Crude: 0.33 -Energy-adj.: 0.37 Mean correlation for FFQ and urinary flavonoids: 0.16
102
Mean correlation for FFQ and plasma carotenoids: 0.14 Mean correlation for 4-day food record and urinary flavonoids: 0.31 Mean correlation for 4-day food record and plasma carotenoids: 0.24
Brown et al. (1996)27
United States
-Nutrients: proteins, carbohydrates, total fat, SAF, MUF, PUF, cholesterol, alcohol, calcium, iron, zinc, sodium, vitamin C, folate, vitamin D and vitamin A -FFQ vs. weighted 4-day food record
N = 56 pregnant women in 4.5 months of gestation -Age: 31.9±3.4 -Pre-pregnancy BMI: 23.1±3.1
Criterion-related validity (concurrent)
T2 Response rate: 51%
Mean correlation between FFQ and 4-day food record: -Crude: 0.28 -Energy-adj.: 0.37
103
Brown et al. (1987)74
Australia -Sodium -Weighted 2-day food record vs. urinary sodium excretion*
N = 100 healthy pregnant women in 22nd to 26th and 32nd and 36th week of gestation -Age: N/R -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T2, T3 Attrition at follow-up: 30% in T2 and 15.1% in T3
Correlation between 2-day food record and urine sample: -T2: 0.53 (p<0.001) -T3: 0.47 (p<0.001)
Bunin et al. (2001)28
United States
-Nutrients: animal fat, vegetable fat, SAF, MUF, PUF, LA, oleic acid, n-3, proteins, animal proteins, cholesterol, carbohydrates, fiber, vitamin A, retinol, β-carotene, thiamine, riboflavin, niacin, vitamin B6, folate, vitamin B12, vitamin C, vitamin D, vitamin E,
N = 564 pregnant women in T2 -Age at conception for FFQ administered by telephone: 29.7±3.1 -Age at conception for self-administered FFQ: 29.3±3.0 -Pre-pregnancy BMI: N/R
Temporal stability (reliability)
T2 Attrition at follow-up: -Telephone administered FFQ: 45.8% -Self-administered FFQ: 58.9%
Range of correlations between FFQ1 and FFQ2 administered by telephone: -Crude: 0.14 to 0.43 -Energy-adj.: 0.10 to 0.49 Range of correlations between self-administered FFQ1 and FFQ2: -Crude: 0.13 to 0.61 -Energy-adj.: 0.02 to 0.62
104
calcium, iron, zinc and alcohol -2 × FFQs (3-7 years between each)
Cheng et al. (2008)67
China -Foods: bread, noodle, fruits, oils, rice and corn, prepared foods, milk, vegetables, nuts and seeds, meat, eggs, potato, bean products, sugar and other foods, and nutrients: proteins, fat, carbohydrates, fiber, cholesterol, vitamin A, carotene, retinol, vitamin E, α-vitamin E, vitamin C, niacin, thiamin, riboflavin, calcium, phosphorus, potassium, magnesium, iron,
N = 153 pregnant women in 23rd and 26th week of gestation -Age (median): 25.4 -Pre-pregnancy BMI: 20.9
-Temporal stability (reliability) -Criterion-related validity (concurrent)
-FFQ: T2, T3 -24-hour recalls: T3
Attrition at follow-up: 18.3%
Mean correlation between FFQ1 and FFQ2 for nutrients: -Crude: 0.46 -Energy-adj.: 0.29 Range of correlations between FFQ and 24-hour recalls for nutrients: -Crude: 0.53 to 0.70 -Energy-adj.: 0.22 to 0.60
105
zinc, selenium, copper, manganese and folate -Reproducibility study: 2 × FFQs (13 weeks between each) -Validation study: 2 × FFQs vs. 6 × 24-hour recalls (13 weeks between each)
Dar et al. (1992)29
United States
-Fish -Fish consumption vs. polychlorinated biphenyl serum levels
N = 1 115 pregnant women in T1 -Age: N/R -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T1 Response rate: 82.9%
Correlation between local fish consumption and serum polychlorinated biphenyl level: 0.67
De Vriese et al. (2001)59
Belgium -Fat and fatty acids -Reliability study: 2 × FFQs (18-26 weeks between each) -Validation study: 2 × FFQs vs. 2 × estimated 7-day food
N = 33 healthy pregnant women in 15th and 35th week of gestation -Age at delivery: 30.0 -Pre-pregnancy BMI: 22.0
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T1, T3 Attrition at follow-up: 21.2%
Correlation between FFQ in T1 and FFQ in T3: -Total fat: 0.57 (p<0.01) -SFA: 0.47 (p<0.01) -MUFA: 0.61 (p<0.001)
106
records (18-26 weeks between each)
-PUFA: 0.73 (p<0.0001) -Sum of n-6 fatty acids: 0.74 (p<0.0001) Correlation between FFQ and 7-day food record: -Total fat: 0.64 (p<0.0001) -SFA: 0.63 (p<0.0001) -MUFA: 0.68 (p<0.0001) -LA: 0.66 (p<0.0001)
Donahue et al. (2009)30
United States
-n-3 and n-6 PUFA -FFQ vs. maternal erythrocyte PUFA concentrations
N = 1 666 pregnant women in 29th week of gestation -Age: 32.3±4.8 -65.1% BMI < 25
Criterion-related validity (concurrent)
T2 Response rate: N/R
Correlation between FFQ and maternal erythrocyte PUFA concentrations: -Total n-3 PUFA: 0.03 (p=0.21) -Total n-6 PUFA: 0.14 (p<0.0001)
107
Erkkola et al. (2001)60
Finland -Foods: rye products, wheat products, potatoes, roots, vegetables, fruits, fruit juices, berries, butter, soft margarine, low-fat spreads, oils, high-fat milk, low-fat milk, buttermilk, cream, cheese, ice cream, pork, beef, poultry, sausages, inner organs, fish, eggs, coffee, tea, soft drinks, sugar and sweets, and nutrients: proteins, carbohydrates, starch, sucrose, fiber, total fat, triglycerides, SFA, MUFA, PUFA, n-3 fatty acids, n-6 fatty acids, ethanol,
Reproducibility study: -N = 123 pregnant women in 8th month of gestation -Age: 29.6±5.1 -Pre-pregnancy BMI: 22.9±3.2 Validation study: -N = 141 pregnant women in 8th month of gestation -Age: 29.6±5.1 -Pre-pregnancy BMI: 22.7±3.5
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T3 Attrition at follow-up for reproducibility study: 9.8% Attrition at follow-up for validation study: 19.9%
Mean ICC between FFQ1 and FFQ2: -Foods and nutrients: 0.65 Crude correlation between FFQ and 5-day food record: -Foods for 1st FFQ: 0.48 -Nutrients for 1st FFQ: 0.38 -Foods for 2nd FFQ: 0.47 -Nutrients for 2nd FFQ: 0.37 Range of energy-adj. correlations between FFQ and 5-day food record: -Foods: 0.03 to 0.84 -Nutrients: 0.13 to 0.70
108
vitamin A, retinol, carotenoids, β-carotene, vitamin D, vitamin E, thiamin, riboflavin, niacin, folate, vitamin B12, biotin, pyridoxine, pantothenic acid, vitamin C, calcium, copper, iron, magnesium, sodium, zinc, manganese, iodine, selenium, chromium, mercury, lead, nitrate and nitrite -Reproducibility study: 2 × FFQs (1 month between each) -Validation study: 2 × FFQs vs. 2 × estimated 5-day food-records (1 month between each)
109
Forsythe et al. (1994)31
United States
-Nutrients: proteins, carbohydrates, fat, SAF, vitamin A, vitamin B6, folate, vitamin B12, sodium, calcium, iron, zinc, alcohol and caffeine -2 × FFQs (3 weeks between each) -3 × 24-hour recalls (1 week between each)
N = 80 pregnant women -Age: 29.7±5.2 -Pre-pregnancy BMI: 24.3
-Temporal stability (reliability)
N/R Attrition at follow-up: 62.5%
Range of correlations between FFQ1 and FFQ2: 0.69 to 0.98 (p<0.05) Range of correlations between 24-hour recall 1 and 2: -0.20 to 0.46
Greeley et al. (1992)32
United States
-Nutrients: proteins, fat, carbohydrates, iron, calcium, vitamin C and folacin -4 × FFQs (5 weeks between each) vs. 4 × 24-hour recalls (5 weeks between each)
N = 56 healthy pregnant women in 16th week of gestation -Age (range): 20-35 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T1, T2, T3 Attrition at follow-up: 10.7%
Range of correlations between FFQ and 24-hour recalls -T2: -0.03 to 0.46 -T3: 0.12 to 0.46
Innis et al. (2003)42
Canada -Fat and fatty acids
N = 70 healthy pregnant women in 28th
-Temporal stability (reliability)
T2, T3 Attrition at follow-up: 21.4%
Correlation between FFQ1 and FFQ2:
110
-2 × FFQs (7 weeks between each) vs. plasma n-3 and n-6 fatty acids
week of gestation -Age: 32.5 -Pre-pregnancy weight: 62.8±2.8 kg
-Criterion-related validity (concurrent)
-Fat: 0.69 -SAF: 0.75 -MUF: 0.64 -PUF: 0.61 Correlation between FFQ and plasma phospholipid concentrations: -DHA: 0.63 (p<0.0001) -EPA: 0.44 (p<0.001) -AA: n.s. Correlation between intake of fatty fish and plasma phospholipid concentrations: -DHA: 0.61 (p<0.0001) -EPA: 0.55 (p<0.0001) Correlation between intake of lean fish and
111
plasma phospholipid concentrations: -DHA: 0.29 (p=0.03) -EPA: 0.22 (p>0.05)
Loy et al. (2011)70
Malaysia -Foods: cereal products, poultry, red meats, organ meats, fish and other seafood, eggs, dairy products, nuts and legume, leafy vegetables, cruciferous vegetables, legume vegetables, tuber vegetables, raw vegetables, other vegetables, onion and garlic, fresh fruits, dried fruits, pickled fruits, juices, tea, coffee, malt drinks, cordials, soybean milk,
Validation study: -N = 177 pregnant women in 33rd week of gestation -Age: 29.9±5.1 -Pre-pregnancy BMI: 24.5±5.2 Reproducibility study: -N = 85 pregnant women in 32nd week of gestation -Age: 30.1±4.6 -Pre-pregnancy BMI: 25.0±5.2
-Temporal stability (reliability) -Content validity -Criterion-related validity (concurrent) -Face validity
T1, T2 Response rate for validation study: 99.4% Attrition at follow-up for reproducibility study: N/R
Mean crude correlation between FFQ and 24-hour recalls: -Nutrients: 0.46 -Foods: 0.37 Mean energy-adj. correlation between FFQ and 24-hour recalls: -Nutrients: 0.31 -Foods : 0.32 Mean ICC between FFQ1 and FFQ2: -Both nutrients and foods: 0.87
112
fats and oils, confectionary, biscuits, sugar, salt and condiments, and nutrients: proteins, carbohydrates, fat, sodium, potassium, calcium, iron, phosphorus, vitamin A, vitamin C, thiamin, riboflavin, niacin and fiber -Validation study: FFQ vs. 2 × 24-hour recalls (10-14 days between each) -Reproducibility study: 2 × FFQs (20-28 days between each)
Matorras et al. (1999)70
Spain -Long-chain w3 PUFA -Dietetic interview vs. plasma long-
N = 12 healthy pregnant women in 39th week of gestation
Criterion-related validity (concurrent)
T1, T2, T3 Response rate: N/R
Correlation between dietetic interview and long-chain w3 PUFA in
113
chain w3 PUFA and erythrocyte phospholipid fatty acids
-Age: 28.5±4.4 -Pre-pregnancy weight: 59.8±8.8 kg
plasma: 0.20 (p<0.05) Correlation between dietetic interview and erythrocyte phospholipid fatty acids: n.s.
Mbofung et al. (1985)76
Nigeria -Copper -3 × 24-hour recalls (1 week between each) vs. plasma copper
N = 285 healthy pregnant women in T3 -Age: N/R -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T3 Attrition at follow-up: 12.3%
Partial correlation between 24-hour recall and plasma copper: 0.06 (p=0.19)
Mikkelsen et al. (2007)50
Denmark -Fruits and vegetables -FFQ vs. weighted 7-day food record and urinary flavonoids, erythrocyte folate and plasma β-carotene -7-day food record vs. urinary flavonoids, erythrocyte
N = 94 pregnant women in 25th week of gestation -Age (median): 28.0 -Pre-pregnancy BMI (median): 22.5
Criterion-related validity (concurrent)
-FFQ: T2, T3 -7-day food record: T2
Attrition at follow-up: 6.4%
Correlation between FFQ and 7-day food record: -Fruits: 0.59 (p<0.0001) -Vegetables: 0.29 (p<0.01) -Juice: 0.57 (p<0.0001) -Fruits and vegetables: 0.50 (p<0.0001) -Fruits, vegetables and
114
folate and plasma β-carotene
juice: 0.55 (p<0.0001) Crude correlation between FFQ and urinary flavonoids: -Fruits and vegetables: 0.28 (p<0.05) -Fruits, vegetables and juice: 0.36 (p<0.005) Crude correlation between FFQ and erythrocyte folate -Fruits and vegetables: 0.28 (p<0.05) -Fruits, vegetables and juice: 0.31 (p<0.05) Crude correlation
115
between FFQ and plasma β-carotene: -Fruits and vegetables: 0.32 (p<0.005) -Fruits, vegetables and juice: 0.18, n.s. Energy-adj. correlation between FFQ and urinary flavonoids: -Fruits and vegetables: 0.30 (p<0.005) -Fruits, vegetables and juice: 0.39 (p<0.005) Energy-adj. correlation between FFQ and erythrocyte folate: -Fruits and vegetables: 0.31 (p<0.005)
116
-Fruits, vegetables and juice: 0.33 (p<0.005) Energy-adj. correlation between FFQ and plasma β-carotene: -Fruits and vegetables: 0.32 (p<0.005) -Fruits, vegetables and juice: 0.21 (p<0.05) Crude correlation between 7-day food record and urinary flavonoids: -Fruits and vegetables: 0.23 (p<0.05) -Fruits, vegetables and juice: 0.38 (p<0.005)
117
Crude correlation between 7-day food record and erythrocyte folate -Fruits and vegetables: 0.25 (p<0.05) -Fruits, vegetables and juice: 0.36 (p<0.005) Crude correlation between 7-day food record and plasma β-carotene: -Fruits and vegetables: 0.45 (p<0.0001) -Fruits, vegetables and juice: 0.45 (p<0.0001) Energy-adj. correlation
118
between 7-day food record and urinary flavonoids: -Fruits and vegetables: 0.24 (p<0.05) -Fruits, vegetables and juice: 0.39 (p<0.005) Energy-adj. correlation between 7-day food record and erythrocyte folate: -Fruits and vegetables: 0.28 (p<0.05) -Fruits, vegetables and juice: 0.38 (p<0.005) Energy-adj. correlation between 7-day food record and
119
plasma β-carotene: -Fruits and vegetables: 0.44 (p<0.0001) -Fruits, vegetables and juice: 0.46 (p<0.001)
Mikkelsen et al. (2006)51
Denmark -Nutrients: proteins, retinol, folic acid and n-3 fatty acids -FFQ vs. weighted 7-day food record and urinary nitrogen, plasma retinol, erythrocyte folic acid and erythrocyte EPA
N = 94 pregnant women in 25th week of gestation -Age (median): 28.0 -Pre-pregnancy BMI (median): 22.5
Criterion-related validity (concurrent)
-FFQ: T2 -7day food record: T3
Attrition at follow-up: 6.4%
Correlation between FFQ and 7-day food record: -Proteins: 0.43 (p<0.0001) -Retinol: 0.37 (p<0.01) -Folic acid: 0.53 (p<0.0001) -n-3 fatty acids: 0.28 (p<0.01) Correlation between FFQ and biomarkers: -Urinary proteins: 0.17, n.s. -Plasma retinol: -0.03, n.s.
120
-Erythrocyte folic acid: 0.55 (p<0.0001) -Erythrocyte EPA: 0.37 (p<0.01)
Miklavcic et al. (2011)61
Slovenia -Fish -2 × FFQs vs. mercury and methylmercury levels in hair, cord blood and breast milk
N = 585 healthy pregnant women in 27th week of gestation -Age: N/R -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T3 Attrition at follow-up: 51.5%
Correlation between FFQ and mercury: -Hair: 0.35 (95% CI: 0.28 to 0.42) -Cord blood: 0.43 (95% CI: 0.36 to 0.51) -Breast milk: 0.08 (95% CI: -0.04 to 0.20) Correlation between FFQ and methylmercury in cord blood: 0.31 (95% CI: 0.06 to 0.52)
Morrissette et al. (2004)43
Canada -Fish -2 × FFQs (28 weeks between each) vs. blood organic mercury
N = 176 pregnant women in 13th week of gestation -Age: 26.7±5.0
Criterion-related validity (concurrent)
T2, T3 Attrition at follow-up: 9.7%
Relation between FFQ and blood organic mercury: -T1 p<0.05 -T2: p<0.0001
121
and hair total mercury
-Pre-pregnancy weight: 66.4±16.0 kg
-Throughout pregnancy: p<0.0001 Relation between FFQ and hair total mercury: -T1: p<0.01 -T2: p<0.01 -Throughout pregnancy: p<0.0001
Moscovitch et al. (1973)44
Canada -Folate -Estimated 4-day and 7-day food records vs. food content of diet
N = 10 pregnant women in T2 -Age: N/R -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T2 Response rate: N/R
Correlation between 7-day food record and folate content of diet: 0.57 (p<0.05) Correlation between 4-day food record and folate content of diet: 0.88 (p<0.01)
Mouratidou et al. (2006)47
United Kingdom
-Foods: breads, breakfast cereals, meats, fish, vegetables, biscuits, cakes
N = 130 healthy pregnant women in 15th
Criterion-related validity (concurrent)
-FFQ: T1, T2 -24-hour recalls: T1
Attrition at follow-up: 2.4%
Range of correlations between FFQ and 24-hour recalls:
122
and puddings, fruits, eggs, milk/cream, cheese, fats, alcoholic drinks, other drinks, added sugar, rice and pasta, other cereals and other foods, and nutrients: proteins, total fat, carbohydrates, SAF, MUFA, PUFA, cholesterol, sugars, starch, fiber, alcohol, sodium, potassium, calcium, magnesium, phosphorus, iron, copper, zinc, manganese, selenium, iodine, retinol, carotene, vitamin D, vitamin E, thiamine, riboflavin,
week of gestation -Age: 29.0±6.4 -Pre-pregnancy BMI: 23.1±8.1
-Macronutrients: -0.14 to 0.47 -Minerals: -0.15 to 0.40 -Vitamins: -0.16 to 0.42 -Foods: -0.85 to 0.99
123
niacin, vitamin B6, vitamin B12, folate, pantothenic acid, biotin and vitamin C -FFQ vs. 2 × 24-hour recalls (10-14 days between each)
Oken et al. (2008)33
United States
-Fish -FFQ vs. erythrocyte total mercury and hair mercury
N = 341 pregnant women in T2 -Age: 32.6±4.7 -70% had a pre-pregnancy BMI < 25
Criterion-related validity (concurrent)
T1, T2 Response rate: N/R
Correlation between FFQ and biomarkers: -Erythrocyte total mercury: 0.42 (p<0.0001) -Hair mercury: 0.49 (p<0.0001)
Oken et al. (2005)34
United States
-Fish -FFQ vs. hair mercury
N = 211 pregnant women in 26th to 28th week of gestation -Age: 53% between 30-34 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T1 Attrition at follow-up: 36.0%
Correlation between FFQ and hair mercury: 0.47
Olsen et al. (1995)52
Denmark -n-3 fatty acids -Questionnaire interview vs. erythrocyte
N = 1 212 pregnant women in 30th
Criterion-related validity (concurrent)
T2 Response rate: 79.6%
Correlation between questionnaire interview and
124
phospholipid fatty acids
week of gestation -Age: 70% between 25-34 -Pre-pregnancy weight: 60.4±11.0 kg
erythrocyte phospholipid fatty acids: -Oleic acid: -0.15 -LA: 0.01 -Linolenic acid: 0.02 -AA: -0.22 -EPA: 0.55 -DPA: 0.28 -DHA: 0.37 -Sum of long-chain n-3 fatty acids: 0.45
Parra et al. (2002)46
Mexico -PUFA -FFQ vs. erythrocyte phospholipid fatty acids
N = 146 healthy pregnant women in T3 -Age: 35.6% between 25-34 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T1, T2, T3 Response rate: 97.3%
Crude correlation between FFQ and erythrocyte phospholipid fatty acids: -ALA: 0.32 (p≤0.05) -DHA: 0.35 (p≤0.05) EPA: 0.36 (p≤0.05)
Persson et al. (2001)68
Indonesia -Nutrients: fat, carbohydrates, proteins, iron, vitamin A,
N = 493 pregnant women in T1 -Age: 28.8±5.4
Temporal stability (reliability)
T1, T2, T3 Attrition at follow-up: 8.5%
Range of ICC for 6 × 24-hour recalls: 0.57 to 0.88
125
vitamin C, calcium and thiamin -6 × 24-hour recalls per trimester (30-37 days between each)
-Pre-pregnancy BMI: N/R
Range of ICC for 3 × 24-hour recalls: 0.44 to 0.80 Range of ICC for 2 × 24-hour recalls: 0.26 to 0.75
Pinto et al. (2010)a55
Portugal -Fatty acids -FFQ vs. gluteal subcutaneous adipose tissue sample -3 × 3-day food record (one per trimester) vs. gluteal subcutaneous adipose tissue sample
N = 35 pregnant women -Age (median): 30.4 -Pre-pregnancy BMI: 20.9
Criterion-related validity (concurrent)
T1, T2, T3 Attrition at follow-up: N/R
Range of correlations between FFQ and adipose tissue: -0.18 to 0.21, all n.s. Range of correlations between 3-day food records and adipose tissue: -0.12 to 0.70
Pinto et al. (2010)b56
Portugal -Nutrients: proteins, carbohydrates, total fat, SFA, vitamin A, vitamin E, vitamin C, thiamin,
Validation study: -N = 351 pregnant women -Age: 29.8±4.9 -Pre-pregnancy BMI: 24.3±4.0
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T1, T2, T3 Attrition at follow-up for validation study: 71.3% Attrition at follow-up for
Range of crude correlations between FFQ and 3-day food records: 0.29 to 0.55
126
riboflavin, vitamin B12, folate, calcium, magnesium and iron -Validation study: FFQ vs. 3 × 3-day food-record (one per trimester) -Reproducibility study: 2 × FFQs (2 weeks between each)
Reproducibility study: -N = 148 pregnant women in 37th week of gestation (median) -Age: 27.7±5.4 -Pre-pregnancy BMI: 24.4±3.4
reproducibility study: 52.0%
Range of energy-adj. correlations between FFQ and 3-day food records: 0.16 to 0.44 Range of crude correlations between FFQ1 and FFQ2: 0.50 to 0.69 Range of energy-adj. correlations between FFQ1 and FFQ2: 0.19 to 0.62
Robinson et al. (1996)48
United Kingdom
-Foods: cereal products, vegetables, fruits, fruit juices, nuts, meat, meat products, fish, milk, milk products, eggs, egg dishes, fat spreads,
N = 603 pregnant women in 15th week of gestation -Age: 26.4±4.8 -Pre-pregnancy BMI: 23.0±4.3
Criterion-related validity (concurrent)
T1, T2 Response rate: 94.4%
Range of correlations between FFQ and 4-day food record for food: -Crude: 0.26 to 0.44 -Energy-adj.: 0.27 to 0.55
127
beverages, snacks, confectionary and sugar, and nutrients: proteins, fat, carbohydrates, total sugars, starch, calcium, iron, zinc, copper, retinol, thiamine, riboflavin, niacin, pyridoxine, vitamin B12, folate, vitamin C, vitamin D and vitamin E -FFQ vs. 4-day food record and serum vitamin C -4-day food record vs. serum vitamin C
Correlation between FFQ and serum levels of vitamin C: 0.23 (p<0.0001) Correlation between 4-day food record and serum levels of vitamin C: 0.38 (p<0.0001)
Saldana et al. (2004)35
United States
-Fats, proteins and carbohydrates -FFQ vs. 3 × 24-hour recalls
N = 99 pregnant women in T2 -Age: N/R -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T2 Response rate: N/R
Correlation between FFQ and 24-hour recalls: -Fats: 0.43 -Proteins: 0.44
128
-Carbohydrates: 0.26
Sartorelli et al. (2012)72
Brazil -n-3, n-6 and TFA -Validation study: 2 × FFQs vs. 3 × 24-hour recalls and fatty acid composition of mature breast milk -Reproducibility study: 2 × FFQs
Validation study: -N = 103 healthy pregnant women in 11th week of gestation -Age: 25±4.6 -Pre-pregnancy BMI: 22±1.8 Reproducibility study: -N = 95 healthy pregnant women -Age: N/R -Pre-pregnancy BMI: N/R
-Temporal stability (reliability) -Criterion-related validity (concurrent)
-FFQ: T2, T3 -24-hour recalls: T1, T2, T3
Attrition at follow-up for validation study: 60.2% Attrition at follow-up for reproducibility study: 0%
Range of correlations between FFQ and 24-hour recalls: -0.09 to 0.57 Range of correlations between FFQ and fatty acid composition of breast milk: -0.29 to 0.49 Energy-adj. ICC between FFQ1 and FFQ2: -LA: 0.70 -ALA: 0.57 -AA: 0.52 -EPA: 0.75 -DHA: 0.26
Shatenstein et al. (2011)45
Canada -Nutrients: carbohydrates, total fat, proteins, SFA, PUFA, MUFA, cholesterol, fiber,
N = 107 pregnant women in 15th week of gestation -Age: 30.9±4.6
Criterion-related validity (concurrent)
T1, T2 Attrition at follow-up: 0%
Mean crude correlation between FFQ and 3-day food record: 0.36
129
calcium, iron, zinc, potassium, sodium, magnesium, vitamin A, vitamin E, vitamin C, vitamin D, thiamine, riboflavin, niacin, vitamin B6, folate and vitamin B12 -FFQ vs. 3-day food record
-BMI at 12-18th week of gestation: 26.9±6.1
Shiraishi et al. (2013)a63
Japan -Vitamin D -Validation study: Dietary history vs. serum vitamin D -Reliability study: 2 × dietary histories (4-5 weeks between each)
Validation study: -N = 321 healthy pregnant women in 20th week of gestation -Age: 34.5±4.0 -Pre-pregnancy BMI: 20.5±2.4 Reliability study: -N = 64 healthy pregnant
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T2 Response rate at validation study: 76.3% Attrition at follow-up for reliability study: 9.4%
Correlation between dietary history and vitamin D serum concentrations: 0.27 (p<0.001) Energy-adj. correlation between dietary history and vitamin D serum concentrations: 0.25 (p<0.001)
130
women in 17th week of gestation -Age: 33.8±4.3 -Pre-pregnancy BMI: 20.2±3.0
ICC between 1st and 2nd dietary history: 0.64 (95% CI: 0.46 to 0.77)
Shiraishi et al. (2013)b64
Japan -β-carotene, vitamin C and α-tocopherol -Validation study: Dietary history vs. serum β-carotene, serum vitamin C and serum vitamin E -Reproducibility study: 2 × dietary histories (4-5 weeks between each)
Validation study: -N = 119 healthy pregnant women in 20th week of gestation -Age: 35.3±4.9 -Pre-pregnancy BMI: 20.4±2.2 Reproducibility study: -N = 64 healthy pregnant women in 17th week of gestation -Age: 33.8±4.3 -Pre-pregnancy BMI: 20.2±3.0
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T2 Response rate at validation study: 79.8% Attrition at follow-up for reproducibility study: 9.4%
Crude correlation between dietary history and biomarkers: -β-carotene: 0.22 (p=0.03) -Vitamin C: 0.29 (p=0.01) -α-tocopherol: -0.07 (p=0.50) Energy-adj. correlation between dietary history and biomarkers: -β-carotene: 0.25 (p=0.01) -Vitamin C: 0.32 (p=0.004) -α-tocopherol: 0.005 (p=0.96)
131
ICC between 1st and 2nd dietary history: -β-carotene: 0.74 -Vitamin C: 0.67 -α-tocopherol: 0.72
Shiraishi et al. (2012)65
Japan -Folate and vitamin B12
-Validation study: Dietary history vs. serum folate and serum vitamin B12
-Reproducibility study: 2 × dietary histories (4-5 weeks between each)
Validation study: -N = 358 healthy pregnant women in 23rd week of gestation -Age: 32.4±4.9 -Pre-pregnancy BMI: 20.5±2.3 Reproducibility study: -N = 64 healthy pregnant women in 17th week of gestation -Age: 33.8±4.3 -Pre-pregnancy BMI: 20.2±3.0
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T2 Response rate for validation study: 50.9% Attrition at follow-up for reproducibility study: 9.4%
Crude correlation between dietary history and biomarkers: -Folate: 0.25 (p=0.001) -Vitamin B12: 0.17 (p=0.025) Energy-adj. correlation between dietary history and biomarkers: -Folate: 0.29 (p<0.001) -Vitamin B12: 0.22 (p=0.004) ICC between 1st and 2nd dietary history: -Folate: 0.73
132
-Vitamin B12: 0.51
Shiraishi et al. (2013)c66
Japan -EPA and DHA -Validation study: Dietary history vs. plasma EPA and DHA -Reproducibility study: 2 × dietary histories (4-5 weeks between each)
Validation study: -N = 312 healthy pregnant women in 20th week of gestation -Age: 34.8±4.1 -Pre-pregnancy BMI: 20.4±3.0 Reproducibility study: -N = 64 healthy pregnant women in 17th week of gestation -Age: 33.8±4.3 -Pre-pregnancy BMI: 20.2±3.0
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T2 Response rate for validation study: 84.0% Attrition at follow-up for reproducibility study: 9.4%
Crude correlation between dietary history and biomarkers: -EPA: 0.34 (p<0.001) -DHA: 0.16 (p=0.011) -EPA and DHA: 0.24 (p<0.001) Energy-adj. correlation between dietary history and biomarkers: -EPA: 0.32 (p<0.001) -DHA: 0.19 (p=0.002) -EPA and DHA: 0.25 (p<0.001) ICC between 1st and 2nd dietary history: -EPA: 0.69 -DHA: 0.66
133
Suitor et al. (1989)36
United States
-Nutrients: proteins, calcium, iron, zinc, vitamin A, vitamin B6 and vitamin C -Validation study: FFQ vs. 3 × 24-hour recalls -Reproducibility study: 2 × FFQs (2 weeks between each)
N = 295 pregnant women in T1
(12.9%), T2 (40.2%) and T3 (46.9%) -Age: 86.5% > 18 -Pre-pregnancy BMI: N/R
-Temporal stability (reliability) -Content validity -Criterion-related validity (concurrent)
T1 or T2 or T3
Response rate for validation study: 32.2% Attrition at follow-up for reproducibility study: 73.9%
Range of correlations between FFQ and 24-hour recalls: -Crude: 0.00 to 0.46 -Energy-adj.: 0.00 to 0.57 Range of correlations between FFQ1 and FFQ2: -Crude: 0.56 to 0.82 -Energy-adj.: 0.41 to 0.77
Van Den Berg et al. (1954)37
United States
-Foods: milk, meat and fish, cereals, bread and crackers, desserts, and nutrients: proteins, fat and carbohydrates -Dietary history vs. 1-day food record
N = 35 obese pregnant women at 16th to 28th week of gestation -Age: 28 -≥ 20 lbs. above ideal pre-pregnancy weight
Criterion-related validity (concurrent)
N/R Attrition at follow-up: N/R
Comparison of mean values between dietary history and 1-day food record: -Calories: p<0.001 -Proteins: p<0.001 -Fat: p<0.001 -Carbohydrates p<0.001
134
Comparison of mean values between dietary history and 1-day food record: -Milk: p=0.90 -Meat and fish: p=0.23 -Cereal, bread and crackers: p<0.001 -Desserts: p<0.001
Venter et al. (2006)49
United Kingdom
-Main food allergens: egg, milk, wheat, citrus fruits, tree nuts, seeds, peanuts, oily fish, white fish and shellfish -Validation study: FFQ vs. 4 × 7-day food records (4-8 weeks between each) -Reliability study: 2 × FFQs (6 weeks between each)
Validation study: -N= 57 pregnant women in 12th to 13th week of gestation -Age (range): 20 to 44 -Pre-pregnancy BMI: N/R Reliability study: -N = 91 pregnant women in 30th
-Temporal stability (reliability) -Content validity -Criterion-related validity (concurrent)
N/R Response rate for validation study: N/R Attrition at follow-up for reliability study: N/R
Mean kappa between FFQ and 7-day food records: 0.40 Mean kappa between FFQ1 and FFQ2: 0.50
135
week of gestation -Age (range): 18 to 44 -Pre-pregnancy BMI: N/R
Vian et al. (2013)73
Brazil -51 polyphenol-rich foods -Validation study: FFQ vs. 2 × 24-hour recalls, a weighted 3-day food record and urinary excretion of total polyphenols and 2 × 24-hour recalls vs. urinary excretion of total polyphenolds -Reproducibility study: 2 × FFQs (15 days between each)
-N = 120 pregnant women in 27th week of gestation -Age: 27.0±6.7 -30.8% normal weight
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T1, T2 Response rate for validation study: N/R Attrition at follow-up for reproducibility study: 22.5%
Crude correlation between FFQ and: -Urine sample: 0.23 (p≤0.05) -24-hour recalls: 0.52 (p≤0.001) -3-day food record: 0.52 (p≤0.001) Correlation between 24-hour recalls and urine sample: -Crude: 0.22 (p≤0.05) -Energy-adj.: 0.22 (p≤0.05) Energy-adj. correlation between FFQ and:
136
-24-hour recalls: 0.51 (p≤0.001) -3-day food record: 0.46 (p≤0.001) ICC between FFQ1 and FFQ2: 0.72 (95% CI: 0.62-0.81)
Vioque et al. (2013)58
Spain -Foods: dairy products, eggs, white meat, red meat, processed meat, lean fish, fatty fish, seafood, fruits, vegetables, nuts, legumes, cereals and pasta, bread, potatoes, sweets and sugar and vegetable fat, and nutrients: proteins, carbohydrates, fiber, cholesterol, total fat, SFA, MUFA, PUFA, n-3, n-6, retinol,
N = 840 pregnant women in 10th to 13th week of gestation -Age: 39% between 30-34 -Pre-pregnancy BMI: 71% < 25
-Temporal stability (reliability) -Criterion-related validity (concurrent)
T1, T2, T3 Attrition at follow-up: 11.9%
Range of crude correlations between FFQ and nutrient plasma concentrations: 0.01 to 0.31 Mean energy-adj. correlation between FFQ and nutrient plasma concentrations: 0.16 Mean crude correlation between FFQ1 and FFQ2:
137
α-carotene, β-carotene, lutein + zeaxanthin, lycopene, β-cryptoxanthin, vitamin B6, folate, vitamin B12, vitamin C, vitamin D, vitamin E, calcium, iron, magnesium, sodium, zinc and iodine -Validation study: 2 × FFQs (18-19 weeks between each) vs. serum carotenoids, serum folate, serum vitamin B12, plasma vitamin C and serum α-tocopherol -Reproducibility study: 2 × FFQs (18-19 weeks between each)
-Nutrients: 0.51 -Foods: 0.39 Range of energy-adj. correlation between FFQ1 and FFQ2: -Nutrients: 0.06 to 0.59 -Foods: 0.17 to 0.62
138
Wei et al. (1999)38
United States
-Nutrients: total fat, SAF, PUF, MUF, carbohydrates, proteins, vitamin C, vitamin E, vitamin B1, vitamin B2, vitamin B6, vitamin B12, folate, zinc, sodium, potassium, calcium, iron, magnesium, phosphorus, cholesterol, retinol, carotene and vitamin A -FFQ vs. 3 × 24-hour recalls (1 month between each)
N = 101 pregnant women in T1 (54.4%), T2 (26.5%) and T3 (19.1%) -Age: 87.1% ≥ 18 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
N/R Response rate: 63.1%
Range of crude correlations between FFQ and 24-hour recalls: 0.28 to 0.61 Range of energy-adj. correlations between FFQ and 24-hour recalls: 0.03 to 0.46
Williams et al. (2006)39
United States
-Fish -FFQ vs. erythrocyte n-3 and n-6 PUFA and plasma lipids
N = 1 000 pregnant women in 13th week of gestation -Age: 72.6% < 35 and 26.1% ≥ 35
Criterion-related validity (concurrent)
T1 Response rate: 75.7%
Association between frequency of fish consumption by FFQ and erythrocyte fatty acid levels: -EPA: p<0.001
139
-Pre-pregnancy BMI: 54.9% between 20.0-24.9
-DHA: p<0.001 -Sum of long-chain omega-3 fatty acids: p<0.001 -Sum of long-chain omega-6 fatty acids: p<0.001
Woekener et al. (1978)40
United States
-Proteins -9 to 20 × 1-day dietary histories vs. urinary urea nitrogen-total nitrogen ratio
N = 12 normal pregnant women and 10 insulin-dependent pregnant women in T1 and T2 -Age for normal women: 21.7 -Age for diabetic: 24.7 -Pre-pregnancy weight for normal women: 58.9±10.2 kg -Pre-pregnancy weight for diabetic: 80.7±2.4 kg
Criterion-related validity (concurrent)
T1, T2, T3 Attrition at follow-up: N/R
Mean correlation between protein intake of dietary histories and urine sample: -Normal women: 0.79 -Diabetic women: 0.08
140
Zhou et al. (2005)75
Australia -Iron -Iron checklist vs. dietary history
N = 54 pregnant women in 28th week of gestation -Age: 28.0±5.0 -Pre-pregnancy BMI: N/R
Criterion-related validity (concurrent)
T3 Response rate: N/R
Correlation between iron checklist and dietary history: -Food: 0.69 (p<0.001) -Food and supplements: 0.99 (p<0.001)
Note. AA: arachidonic acid; ALA: α-linolenic acid; BMI: body mass index; CI: confidence interval; DHA: docosahexaenoic acid; DPA: docosapentaenoic acid; Energy-adj.: energy-adjusted; EPA: eicosapentaenoic acid; FFQ: food frequency questionnaire; GDM: gestational diabetes mellitus; ICC: intra-class correlation; LA: linoleic acid; MUF: monounsaturated fat; MUFA: monounsaturated fatty acids; n-3: omega-3 fatty acids; n-6: omega-6 fatty acids; N/R: not reported; n.s.: not significant; PUF: polyunsaturated fat; PUFA: polyunsaturated fatty acids; SAF: saturated fat; SFA: saturated fatty acids; T1: 1st trimester; T2: 2nd trimester; T3: 3rd trimester; vs.: versus. *A subsample of 53 pregnant women was administered two 2-day food records with 10 weeks between each.
141
Table 4. Quality Assessment of the Studies Included in the Systematic Review Reference Same period of
pregnancy covered by all
tools
Response rate ≥ 60% or
attrition at follow-up ≤
20%
Comparison of respondents /
completers and non-
respondents / dropouts
Both crude and energy-
adjusted correlations are reported
Abramson et al. (1963)69
√ N/R N/A
Al et al. (1996)62
√ √
Anderson et al. (1988)23
N/R N/R N/R
Baddour et al. (2013)41
√ N/R N/R √
Baer et al. (2005)24
√ √ √ *
Barbieri et al. (2013)71
√ √
Bosco et al. (2010)25
√ √ √
Bowering et al. (1980)26
√ N/R N/R
Brantsaeter et al. (2008)53
√ √ √ √
Brantsaeter et al. (200754
√ √
Brown et al. (1996)27
√ √ √
Brown et al. (1987)74
√
Bunin et al. (2001)28
√ √
Cheng et al. (2008)67
√ √
Dar et al. (1992)29
√ √ √
De Vriese et al. (2001)59
√
Donahue et al. (2009)30
√ N/R N/R
Erkkola et al. (2001)60
√ √ √
Forsythe et al. (1994)31
N/R
142
Greeley et al. (1992)32
√ √
Innis et al. (2003)42
√
Loy et al. (2011)70
√ √ √
Matorras et al. (1999)57
√ N/R N/R
Mbofung et al. (1985)76
√ √
Mikkelsen et al. (2007)50
√ √ √
Mikkelsen et al. (2006)51
√ √ √
Miklavcic et al. (2011)61
√
Morrissette et al. (2004)43
√ √
Moscovitch et al. (1973)44
√ N/R N/R
Mouratidou et al. (2006)47
√
Oken et al. (2008)33
√ N/R √
Oken et al. (2005)34
√
Olsen et al. (1995)52
√ √ √
Parra et al. (2002)46
√ √ √
Persson et al. (2001)68
√ √ √ √
Pinto et al. (2010)a55
√ N/R
Pinto et al. (2010)b56
√ √ √
Robinson et al. (1996)48
√ √ √
Sartorelli et al. (2012)72
Saldana et al. (2004)35
√ N/R
Shatenstein et al. (2011)45
√ √ √
Shiraishi et al. (2013)a63
√ √ √
143
Shiraishi et al. (2013)b64
√ √ √
Shiraishi et al. (2012)65
√ √
Shiraishi et al. (2013)c66
√ √ √
Suitor et al. (1989)36
√ √ √
Van Den Berg et al. (1954)37
N/R N/R N/R
Venter et al. (2006)49
N/R N/R
Vian et al. (2013)73
√ √
Vioque et al. (2013)58
√ √ √
Wei et al. (1999)38
N/R √ √
Williams et al. (2006)39
√ √ N/A
Woekener et al. (1978)40
√ N/R N/R
Zhou et al. (2005)75
√ N/R
Note. N/A: not applicable; N/R: not reported. *Only energy-adjusted correlations are reported.
144
Table 5. Summary of Evidence on Criterion-Related Validity of Self-Reported Measures of Diet during Pregnancy Reference Number of
participants at baseline
Comparison tool Nutritional aspect assessed
Country Period of pregnancy covered
Overall effect size ( ͞r )
Food-Frequency Questionnaire vs. Biomarkers (k = 19) Abramson et al. (1963)69
N = 60 Hemoglobin levels Foods Israel T1, T2 N/R
Baddour et al. (2013)41
N = 45 Serum ferritin, soluble transferrin receptor and the soluble transferrin receptor index at delivery
Iron Canada T3 -Crude: 0.30 -Energy-adj.: 0.30
Brantsaeter et al. (2008)53
N = 119 Urinary nitrogen, urinary iodine, plasma 25-hydroxy-vitamin D and serum folate
Foods, energy and 24 nutrients
Norway T1, T2 All women: 0.31 Women without nausea: 0.58†
Brantsaeter et al. (2007)54
N = 119 Urinary flavonoids and plasma carotenoids
Fruits, fruit juices and vegetables (except potatoes)
Norway T1, T2 All women: 0.15 Women not taking supplements: 0.16
Donahue et al. (2009)30
N = 1 666 Maternal erythrocyte PUFA concentration
N-3 and n-6 PUFA United States T2 0.09
Innis et al. (2003)42
N = 70 Plasma n-3 and n-6 fatty acids
Fat and fatty acids Canada T2, T3 0.54‡
145
Mikkelsen et al. (2007)50
N = 94 Urinary flavonoids, erythrocyte folate and plasma β-carotene
Fruits, vegetables and juice
Denmark T2, T3 -Crude: 0.28 -Energy-adj.: 0.31
Mikkelsen et al. (2006)51
N = 94 Urinary nitrogen, plasma retinol, erythrocyte folic acid and erythrocyte EPA
Proteins, retinol, folic acid and n-3 fatty acids
Denmark T2 -Crude: 0.27 -Energy-adj.: 0.28
Miklavcic et al. (2011)61
N = 585 Mercury and methylmercury levels in hair, cord blood and breast milk
Fish Slovenia T3 0.29
Morrissette et al. (2004)43
N = 176 Blood and hair mercury
Fish Canada T2, T3 0.13
Oken et al. (2008)33
N = 341 Erythrocyte and hair mercury
Fish United States T1, T2 0.46
Oken et al. (2005)34
N = 211 Hair mercury Fish United States T1 0.47
Parra et al. (2002)46
N = 146 Erythrocyte phospholipid fatty acids
PUFA Mexico T1, T2, T3 Crude: 0.34
Pinto et al. (2010)a55
N = 35 Gluteal subcutaneous adipose tissue sample
Fatty acids Portugal T1, T2, T3 0.04
Robinson et al. (1996)48
N = 603 Serum vitamin C Foods, energy and 19 nutrients
United Kingdom T1, T2 0.23
146
Sartorelli et al. (2012)72
N = 103 Fatty acid composition of mature breast milk
N-3, n-6 and TFA Brazil T2, T3 -0.12
Vian et al. (2013)73
N = 120 Urinary excretion of total polyphenols
51 polyphenol-rich foods
Brazil T1, T2 Crude: 0.23
Vioque et al. (2013)58
N = 840 Serum carotenoids, serum folate, serum vitamin B12, plasma vitamin C and serum α-tocopherol
Fruits and vegetables and 11 nutrients
Spain T1, T2, T3 Fruits and veg.: -Crude: 0.25 -Energy-adj.: 0.28 Nutrients: -Crude: 0.14 -Energy-adj.: 0.16 Diet + supplements for nutrients: -Crude: 0.22 -Energy-adj.: 0.24
Williams et al. (2006)39
N = 1 000 Erythrocyte n-3 and n-6 PUFA and plasma lipids
Fish United States T1 N/R
Food-Frequency Questionnaire vs. 24-Hour Recalls (k = 11) Baer et al. (2005)24
N = 283 6 × 24-hour recalls (7-10 days between each)
Energy and 24 nutrients
United States T1, T2, T3 Energy-adj.: 0.35
Barbieri et al. (2013)71
N = 103 3 × 24-hour recalls (3 months between each)
Energy and 20 nutrients
Brazil T1, T2, T3 Energy: 0.48 Nutrients:
147
-Crude: 0.27 -Energy-adj.: 0.16
Cheng et al. (2008)67
N = 153 6 × 24-hour recalls (13 weeks between each)
Foods, energy and 24 nutrients
China -FFQ: T2, T3 -24-hour recalls: T3
Energy: 0.68 Nutrients*: -Crude: 0.63 -Energy-adj.: 0.45
Greeley et al. (1992)32
N = 56 4 × 24-hour recalls (5 weeks between each)
Energy and 7 nutrients
United States T1, T2, T3 Energy: 0.06 Nutrients: 0.24
Loy et al. (2011)70
N = 177 2 × 24-hour recalls (10-14 days between each)
Foods, energy and 14 nutrients
Malaysia T1, T2 Foods: -Crude: 0.37 -Energy-adj.: 0.32 Energy: 0.47 Nutrients: -Crude: 0.46 -Energy-adj.: 0.31
Mouratidou et al. (2006)47
N = 130 2 × 24-hour recalls (10-14 days between each)
Foods, energy and 35 nutrients
United Kingdom -FFQ: T1, T2 -24-hour recalls: T1
Foods: 0.62 Energy: 0.26 Nutrients: 0.12
Saldana et al. (2004)35
N = 99 3 × 24-hour recalls Energy, fats, proteins and carbohydrates
United States T2 Energy: 0.35 Nutrients: 0.38
148
Sartorelli et al. (2012)72
N = 103 3 × 24-hour recalls N-3, n-6 and TFA Brazil -FFQ: T2, T3 -24-hour recalls: T1, T2, T3
0.31
Suitor et al. (1989)36
N = 295 3 × 24-hour recalls Energy and 7 nutrients
United States T1 or T2 or T3
Energy: 0.23 Nutrients: -Crude: 0.25 -Energy-adj.: 0.36
Vian et al. (2013)73
N = 120 2 × 24-hour recalls 51 polyphenol-rich foods
Brazil T1, T2 -Crude: 0.52 -Energy-adj.: 0.51
Wei et al. (1999)38
N = 101 3 × 24-hour recalls (1 month between each)
Energy and 24 nutrients
United States N/R Energy: 0.42 Nutrients: -Crude: 0.43 -Energy-adj.: 0.29
Food-Frequency Questionnaire vs. Food Record (Weighted and Estimated) (k = 12) Brantsaeter et al. (2008)53
N = 119 Weighted 4-day food record
Foods, energy and 24 nutrients
Norway T1, T2 Foods: -Crude: 0.48 -Energy-adj.: 0.48 Energy: 0.27 Nutrients: -Crude: 0.33 -Energy-adj.: 0.36
149
Nutrients with supplements: -Crude: 0.39 -Energy-adj.: 0.39 Women without nausea: -Energy: 0.49 -Proteins: 0.43
Brantsaeter et al. (2007)54
N = 119 Weighted 4-day food record
Fruits, fruit juices and vegetables (except potatoes), energy and 8 nutrients
Norway T1, T2 Fruits and veg.: -Crude: 0.33 -Energy-adj.: 0.37 Energy: 0.27 Nutrients from diet only: -Crude: 0.32 -Energy-adj.: 0.37
Brown et al. (1996)27
N = 56 Weighted 4-day food record
Energy and 16 nutrients
United States T2 Energy: 0.19 Nutrients: -Crude: 0.28 -Energy-adj.: 0.37
150
De Vriese et al. (2001)59
N = 33 2 × estimated 7-day food records (18-26 weeks between each)
Fat and fatty acids Belgium T1, T3 0.65
Erkkola et al. (2001)60
N = 141 2 × estimated 5-day food records (1 month between each)
Foods, energy and 42 nutrients
Finland T3 Foods: -Crude: 0.48 -Energy-adj.: 0.47 Energy: 0.24 Nutrients: -Crude: 0.38 -Energy-adj.: 0.47
Mikkelsen et al. (2007)50
N = 94 Weighted 7-day food record
Fruits, vegetables and juice
Denmark -FFQ: T2, T3 -7-day food record: T2
-Crude: 0.55 -Energy-adj.: 0.62
Mikkelsen et al. (2006)51
N = 94 Weighted 7-day food record
Energy, proteins, retinol, folic acid and n-3 fatty acids
Denmark -FFQ: T2 -7-day food record: T3
Energy: 0.43 Diet only: -Crude: 0.32 -Energy-adj.: 0.35 Supplements: -Crude: 0.44 -Energy-adj.: 0.45 Diet + supplements:
151
-Crude: 0.39 -Energy-adj.: 0.42
Pinto et al. (2010)b56
N = 351 3 × 3-day food records (one per trimester)
Energy and 14 nutrients
Portugal T1, T2, T3 Energy: 0.44 Nutrients: -Crude: 0.40 -Energy-adj.: 0.32
Robinson et al. (1996)48
N = 603 4-day food record Foods, energy and 19 nutrients
United Kingdom T1, T2 Energy: 0.28 Diet only*: -Crude: 0.33 -Energy-adj.: 0.43 Diet + supplements: -Crude: 0.37 -Energy-adj.: 0.47
Shatenstein et al. (2011)45
N = 107 3-day food record Energy and 24 nutrients
Canada T1, T2 Energy: 0.36 Nutrients: -Crude: 0.36
Venter et al. (2006)49
N = 57 4 × 7-day food records (4-8 weeks between each)
10 main food allergens
United Kingdom N/R Kappa: 0.40
Vian et al. (2013)73
N = 120 Weighted 3-day food record
51 polyphenol-rich foods
Brazil T1, T2 -Crude: 0.52 -Energy-adj.: 0.46
152
Dietary History vs. Biomarkers (k = 7) Al et al. (1996)62
N = 176 Maternal plasma Fatty acids The Netherlands T2 -0.13
Anderson et al. (1988)23
N = 16 Neonatal serum vitamin D concentrations at delivery
Vitamin D United States N/R 0.07
Shiraishi et al. (2013)a63
N = 321 Serum vitamin D Vitamin D Japan T2 All women: -Crude: 0.27 -Energy-adj.: 0.25 Women without nausea: -Crude: 0.31 -Energy-adj.: 0.28
Shiraishi et al. (2013)b64
N = 119 Serum β-carotene, serum vitamin C and serum vitamin E
β-carotene, vitamin C and α-tocopherol
Japan T2 -Crude: 0.15 -Energy-adj.: 0.19
Shiraishi et al. (2012)65
N = 358 Serum folate and serum vitamin B12
Folate and vitamin B12
Japan T2 All women: -Crude: 0.21 -Energy-adj.: 0.25 Women without nausea: -Crude: 0.25 -Energy-adj.: 0.30
153
Shiraishi et al. (2013)c66
N = 312 Plasma EPA and DHA
EPA and DHA Japan T2 All women: -Crude: 0.24 -Energy-adj.: 0.25 Women with nausea: -Crude: 0.10 -Energy-adj.: 0.12 Women without nausea: -Crude: 0.32 -Energy-adj.: 0.33
Woekener et al. (1978)40
N = 22 Urinary urea nitrogen-total nitrogen ratio
Proteins United States T1, T2, T3 0.47
Dietary History vs. Food Record (k = 1) Van Den Berg et al. (1954)37
N = 35 1-day food record Foods and 3 nutrients United States N/R N/R
24-Hour Recall vs. Biomarkers (k = 4) Bowering et al. (1980)26
N = 346 Plasma ascorbic acid Vitamin C United States T1, T2, T3 0.19
Mbofung et al. (1985)76
N = 285 Plasma copper Copper Nigeria T3 0.06
Sartorelli et al. (2012)72
N = 103 Fatty acid composition of mature breast milk
N-3, n-6 and TFA Brazil T2, T3 0.06
154
Vian et al. (2013)73
N = 120 Urinary excretion of total polyphenol
51 polyphenol-rich foods
Brazil T1, T2 -Crude: 0.22 -Energy-adj.: 0.22
Food Record vs. Biomarkers (k = 7) Brantsaeter et al. (2008)53
N = 119 Urinary nitrogen, urinary iodine, plasma 25-hydroxy-vitamin D and serum folate
Foods, energy and 23 nutrients
Norway T1, T2 0.53
Brantsaeter et al. (2007)54
N = 119 Urinary flavonoids and plasma carotenoids
Fruits, fruit juices and vegetables (except potatoes)
Norway T1, T2 All women: 0.28 Women not taking supplements: 0.25
Brown et al. (1987)74
N = 100 Urinary sodium Sodium Australia T2, T3 0.51
Mikkelsen et al. (2007)50
N = 94 Urinary flavonoids, erythrocyte folate and plasma β-carotene
Fruits, vegetables and juice
Denmark T2, T3 -Crude:0.40 -Energy-adj.: 0.41
Mikkelsen et al. (2006)51
N = 94 Urinary nitrogen, plasma retinol, erythrocyte folic acid and erythrocyte EPA
Proteins, retinol, folic acid and n-3 fatty acids
Denmark T2 -Crude: 0.44 -Energy-adj.: 0.40
Pinto et al. (2010)a55
N = 35 Gluteal subcutaneous adipose tissue sample
Fatty acids Portugal T1, T2, T3 0.35
155
Robinson et al. (1996)48
N = 603 Serum vitamin C Foods, energy and 19 nutrients
United Kingdom T1, T2 0.38
Food Record (Estimated) vs. Food Content of Diet (k = 1) Moscovitch et al. (1973)44
N = 10 Food content of diet Folate Canada T2 0.73
Interview on Diet vs. Biomarkers (k = 2) Mattoras et al. (1999)57
N = 12 Plasma long-chain w3 PUFA and erythrocyte phospholipid fatty acids
Long-chain w3 PUFA Spain T1, T2, T3 Crude: 0.20
Olsen et al. (1995)52
N = 1 212 Erythrocyte phospholipid fatty acids
N-3 fatty acids Denmark T2 -Crude: 0.16 -Energy-adj.: 0.17
Questionnaire on Diet vs. Biomarkers (k = 1) Dar et al. (1992)29
N = 1 115 Serum polychlorinated biphenyl
Fish United States T1 0.67
Iron Checklist vs. Dietary History (k = 1) Zhou et al. (2005)75
N = 54 Dietary history Iron Australia T3 Diet only: 0.69 Diet + supplements: 0.99
Note. AA: arachidonic acid; ALA: α-linolenic acid; DHA: docosahexaenoic acid; Energy-adj.: energy-adjusted; EPA: eicosapentaenoic acid; FFQ: food-frequency questionnaire; LA: linoleic acid; MUFA: monounsaturated fatty acids; n-3: omega-3 fatty acids; n-6: omega-6 fatty acids; N/R: not reported; PUF: polyunsaturated fat; PUFA: polyunsaturated fatty acids; SAF: saturated fat; SFA: saturated fatty acids; T1: 1st trimester; T2: 2nd trimester; T3: 3rd trimester; TFA: trans fatty acids; vs.: versus; veg.: vegetables. †Correlation between FFQ protein intake and urinary nitrogen excretion only. Correlations with other biomarkers are not reported in the article.
156
‡Overall effect size for DHA and EPA, only. The non-significant (p > 0.05) correlation for AA was not reported in the article. *Correlations for foods are not reported in the article.
157
Table 6. Summary of Evidence on Temporal Stability (Reliability) for Self-Reported Measures of Diet during Pregnancy
Reference Number of participants at baseline
Period of time between each
administration
Nutritional aspect assessed
Country Period of pregnancy
covered
Overall ICC, correlation or kappa statistic
Food-Frequency Questionnaire (k = 14) Bosco et al. (2010)25
N =146 3.6 months Energy and 27 nutrients
United States T2 ICC for energy: 0.63 Without supplements: -Crude ICC: 0.62 -Energy-adj. ICC: 0.59 With supplements: -Crude ICC: 0.47 -Energy-adj. ICC: 0.41
Bunin et al. (2001)28
N = 564 3-7 years 29 nutrients United States T2 -Crude corr.: 0.34 -Energy-adj. corr.: 0.38
Cheng et al. (2008)67
N = 153 13 weeks Foods, energy and 24 nutrients
China T2, T3 Corr. for energy: 0.45 Nutrients*: -Crude corr.: 0.46 -Energy-adj. corr.: 0.29
De Vriese et al. (2001)59
N = 33 18-26 weeks Fat and fatty acids Belgium T1, T3 Corr.: 0.62
158
Erkkola et al. (2001)60
N = 123 1 month Foods, energy and 42 nutrients
Finland T3 ICC for foods: 0.66 ICC for energy: 0.66 ICC for nutrients: 0.65
Forsythe et al. (1994)31
N = 80 3 weeks Energy and 14 nutrients
United States N/R Corr. for energy: 0.91 Corr. for nutrients: 0.87
Innis et al. (2003)42
N = 70 7 weeks Fat and fatty acids Canada T2, T3 Corr.: 0.67
Loy et al. (2011)70
N = 85 20-28 days Foods, energy and 14 nutrients
Malaysia T1, T2 ICC for foods: 0.86 ICC for energy: 0.93 ICC for nutrients: 0.88
Pinto et al. (2010)b56
N = 148 2 weeks Energy and 14 nutrients
Portugal T1, T2, T3 Corr. for energy: 0.64 Nutrients: -Crude corr.: 0.58 -Energy-adj. corr.: 0.49
Sartorelli et al. (2012)72
N = 95 N/R N-3, n-6 and TFA Brazil T2, T3 Energy-adj. ICC: 0.56
Suitor et al. (1989)36
N = 295 2 weeks Energy and 7 nutrients
United States T1 or T2 or T3 Corr. for energy: 0.71
159
Nutrients: -Crude corr.: 0.65 -Energy-adj. corr.: 0.58
Venter et al. (2006)49
N = 91 6 weeks 10 main food allergens
United Kingdom
N/R Kappa statistic: 0.50
Vian et al. (2013)73
N = 120 15 days 51 polyphenol-rich foods
Brazil T1, T2 ICC: 0.73
Vioque et al. (2013)58
N = 840 18-19 weeks Foods, energy and 28 nutrients
Spain T1, T2, T3 Foods: -Crude corr.: 0.39 -Energy-adj. corr.: 0.37 Corr. for energy: 0.58 Nutrients: -Crude corr.: 0.51 -Energy-adj. corr.: 0.43
Dietary History (k = 4) Shiraishi et al. (2013)a63
N = 64 4-5 weeks Energy and vitamin D
Japan T2 ICC for energy: 0.60 ICC for vitamin D: 0.64
Shiraishi et al. (2013)b64
N = 64 4-5 weeks β-carotene, vitamin C and α-tocopherol
Japan T2 ICC: 0.71
Shiraishi et al. (2012)65
N = 64 4-5 weeks Energy, folate and vitamin B12
Japan T2 ICC for energy: 0.60
160
ICC for nutrients: 0.62
Shiraishi et al. (2013)c66
N = 64 4-5 weeks Energy, EPA and DHA
Japan T2 ICC for energy: 0.60 ICC for nutrients: 0.68
24-Hour Recalls (k = 3) Baer et al. (2005)24
N = 283 7-10 days Energy and 24 nutrients
United States T1, T2, T3 Energy-adj. corr.: 0.33
Forsythe et al. (1994)31
N = 80 1 week Energy and 15 nutrients
United States N/R Corr. for energy: 0.04 Corr for nutrients: 0.04
Persson et al. (2001)68
N = 493 30-37 days Energy and 8 nutrients
Indonesia T1, T2, T3 ICC for energy: 0.81 ICC for nutrients: 0.62
Note. CI: confidence interval; Corr.: correlation; DHA: docosahexaenoic acid; EPA: eicosapentaenoic acid; Energy-adj.: energy-adjusted; ICC: intra-class correlation; N/R: not reported; T1: 1st trimester; T2: 2nd trimester; T3: 3rd trimester; TFA: trans fatty acids. * Correlations for foods are not reported in the article.
161
CHAPITRE 3: VALIDITY AND RELIABILITY OF A BRIEF SELF-REPORTED QUESTIONNAIRE ASSESSING FRUIT AND VEGETABLE CONSUMPTION AMONG
PREGNANT WOMEN
Résumé
L’objectif de l’étude était de vérifier la validité et la fidélité d’un court instrument mesurant la
consommation de fruits et légumes chez des femmes enceintes. La consommation de fruits et
légumes mesurée par le questionnaire de Godin et collaborateurs (2008) était corrélée à celle
mesurée à l’aide d’un journal alimentaire de 3 jours (r=0,34; p=0,0180) et à celle mesurée à l’aide
d’un FFQ (r=0,61; p=0,0002). Les mesures auto-déclarées n’étaient pas significativement
corrélées aux concentrations plasmatiques en caroténoïdes. Le coefficient intra-classe pour la
consommation de fruits et légumes était de 0,72. Le court questionnaire de Godin et collaborateurs
(2008) sur la consommation de fruits et légumes a une validité et une fidélité acceptables, mais il
semble sous-estimer la consommation de fruits et légumes chez les femmes enceintes. Il représente
une alternative intéressante pour les chercheurs et les cliniciens qui désirent estimer rapidement la
consommation de fruits et légumes des femmes enceintes.
162
Abstract
Background: Short instruments measuring frequency of specific foods, such as fruit and vegetable
(FV), are increasingly used in interventions. The objective of the study was to verify the validity
and test-retest reliability of such an instrument among pregnant women. Methods: Pregnant
women from the region of Quebec City, Quebec, Canada, were recruited through e-mails sent to
female students and employees of the local university from October 2014 to April 2015. To assess
the validity of the fruit and vegetable questionnaire (FVQ) developed by Godin et al. (2008),
pregnant women were asked in a first mailing to complete the FVQ assessing FV intake over the
past 7 days and a 3-day estimated food record. A subsample (n=33) also gave a fasting blood
sample and completed a validated semi-quantitative FFQ administered by a trained registered
dietitian during a visit at the research center. FV intakes for all instruments were calculated in
terms of servings of FV based on Canada’s Food Guide definition of a serving of fruit or vegetable.
In order to assess its test-retest reliability, respondents were asked to complete the FVQ 14 days
later in a second mailing. Results: Forty-eight pregnant women from all three trimesters completed
the questionnaires in the first mailing. FV intake assessed using the FVQ was correlated to FV
consumption measured using the food record (r=0.34, p=0.0180) and the FFQ (r=0.61, p=0.0002).
Results were similar when controlling for energy intake and the experience of nausea in the past
month. Only β-cryptoxanthin was significantly correlated to FV intake assessed by the FFQ when
adjusted for the presence of nausea (r=0.35, p=0.0471). Data on the test-retest reliability was
available for 44 women and the intra-class coefficient for the FVQ was 0.72 at a mean 28-day
interval. Conclusions: The FVQ has acceptable validity and test-retest reliability values, but seems
to underestimate FV servings in pregnant women. It represents an interesting alternative for
researchers or clinicians interested in estimating quickly FV intake among pregnant women, such
as in large trials or during prenatal visits. The FVQ should however be coupled with other self-
reported measures, such as a food record, for assessing precise individual FV intake.
163
Background
Eating fruit and vegetables (FV) has numerous health benefits. Their consumption can lower risks
of coronary heart diseases (Gan et al., 2015; Hartley et al., 2013), such as stroke (He, Nowson, &
MacGregor, 2006; Hu, Huang, Wang, Zhang, & Qu, 2014) and type 2 diabetes (Wu, Zhang, Jiang,
& Jiang, 2015). FV intake can also prevent different types of cancer, such as pancreatic cancer (Q.
J. Wu et al., 2015), gastric cancer (Lunet, Lacerda-Vieira, & Barros, 2005), colorectal cancer
(Magalhaes, Peleteiro, & Lunet, 2012) and breast cancer (Aune et al., 2012; Gandini, Merzenich,
Robertson, & Boyle, 2000).
Among pregnant women, a healthy diet comprised of FV is associated with a reduction in the risk
of developing gestational diabetes mellitus (GDM) (Zhang, Schulze, Solomon, & Hu, 2006). GDM
is a glucose intolerance that first appears or is diagnosed during pregnancy that can lead to serious
health consequences, such as high risks of developing future type 2 diabetes in mothers and their
child (Bellamy, Casas, Hingorani, & Williams, 2009; Clausen et al., 2008; C. Kim, Newton, &
Knopp, 2002). After pregnancy, women with prior GDM are also at risks of developing
cardiovascular diseases (Archambault, Arel, & Filion, 2014) and renal problems (Beharier et al.,
2015). Children exposed in-utero to GDM have greater odds of becoming obese during childhood
(S. Y. Kim, Sharma, & Callaghan, 2012), regardless of their mother’s body mass index (BMI)
(Nehring, Chmitorz, Reulen, von Kries, & Ensenauer, 2013). Despite the health benefits, only
between 35 and 54% of pregnant women have FV intakes that meet public health
recommendations in the UK and in Canada (Crozier et al., 2009; Fowler, Evers, & Campbell,
2012).
In nutritional interventions, short instruments measuring frequency of foods targeted in the
intervention, such as FV, are increasingly being used (Contento, Randell, & Basch, 2002). One
example of such a tool is a brief one-page questionnaire developed by Godin et al. (2008) that
measures frequency of FV intake in servings over the past seven days. This fruit and vegetable
questionnaire (FVQ) was significantly correlated to a validated interviewer-administered FFQ
(Goulet, Nadeau, Lapointe, Lamarche, & Lemieux, 2004) in a sample of 350 obese (r=0.66,
p<0.000) and non-obese individuals (r=0.65, p<0.0001) (Godin et al., 2008).
164
However, to our knowledge, this tool has never been validated in pregnant women and evidence
of its test-retest reliability—which implies administering a same instrument to the same individuals
on two different occasions (Hogan, 2003)—has not been reported. A recent systematic review of
self-reported measures of foods and nutrients in pregnancy highlighted the need to validate such
instruments in pregnant women, since pregnancy involves an increase in nutritional needs and
sometimes the experience of nausea (Vézina-Im & Robitaille, 2014). Moreover, that same review
stressed the need to report information on both the validity and reliability of self-reported tools,
given that both are needed to assess their psychometric properties. For example, a researcher could
mistakenly think that a woman’s diet changed over the course of her pregnancy while this is merely
an artifact of a tool with poor reproducibility (Vézina-Im & Robitaille, 2014). The objective of the
present study was thus to evaluate the FVQ in a sample of pregnant women by estimating its
validity and test-retest reliability.
Methods
Population and Sample
Pregnant women from the region of Quebec City, Quebec, Canada, were recruited through e-mails
sent to female students and employees of the local university from October 2014 to April 2015.
The only inclusion criterion was to be pregnant. The study was reviewed and approved by the
Research Ethics Committee of the Centre hospitalier universitaire (CHU) de Quebec and all
women gave their informed consent prior to their inclusion in the study.
Data Collection
Validity. The validity of the FVQ was verified by comparing FV servings with those from a 3-day
estimated food record, a validated semi-quantitative FFQ administered by a trained registered
dietitian (Goulet et al., 2004) and an objective measure of FV intake, plasma carotenoids
concentrations. A food record and a FFQ were used as reference and comparison methods,
respectively, given that a previous systematic review of self-reported measures of foods and
nutrients in pregnancy found that FFQ and food records have the strongest evidence of validity in
assessing nutrition during pregnancy (Vézina-Im & Robitaille, 2014). The food record chosen was
selected because it was developed for a French-Canadian population (i.e., available in French). For
165
comparison purposes, the FFQ chosen was the same that was originally used in Godin et al.’s
(2008) study among obese and non-obese individuals. This will allow comparison of the
correlations among pregnant women with those obtained in the original validation study. Plasma
carotenoids concentrations were chosen given that they can be used as biomarkers of FV
consumption (Al-Delaimy et al., 2005; Campbell et al., 1994; Polsinelli, Rock, Henderson, &
Drewnowski, 1998), including among pregnant women (Yeum, Ferland, Patry, & Russell, 1998).
Carotenoids included retinol, α-tocopherol, lutein, zeaxanthin, β-cryptoxanthin, α-carotene, β-
carotene, lycopene (5-cis-lycopene, 9-cis-lycopene, 13-cis-lycopene and trans-lycopene) and total
carotenoids. Higher concentrations of plasma carotenoids are expected in people who eat more
servings of FV and certain fruit and vegetables are more correlated to specific carotenoids. For
example, fruit intake is more strongly correlated to β-cryptoxanthin concentrations, tomatoes to
lycopene and α-carotene to carrots (Al-Delaimy et al., 2005).
Procedure. Pregnant women received two mailings. The first mailing contained a cover letter, an
informed consent form, the FVQ, a food record and a pre-paid pre-addressed return envelope. In
the cover letter, pregnant women were told to carefully read instructions on how to complete the
FVQ and the food record and to indicate the date of completion. The instructions on how to
complete the FVQ were given before those on how to complete the food record, but pregnant
women were not specifically instructed in which order to fill out the FVQ and the food record. To
assess reproducibility of the FVQ, a second mailing, containing only the FVQ and a pre-paid pre-
addressed envelope, was sent approximately 14 days after the date at which the first FVQ was
filled.
Questionnaires and Biomarkers. At the beginning of the FVQ, a definition of a serving of fruit or
vegetable based on Canada’s Food Guide is provided (see Supplementary material 1 for the
complete questionnaire). For example, one serving of fruit or vegetable is the equivalent of half a
cup (125 ml) of cut fruits or vegetables (Health Canada, 2011). The FVQ contains 3 questions on
FV intake. For the first question, participants have to write down how many servings of FV divided
into fruit juice, vegetable juice, potatoes (excluding French-fried potatoes), green salad and other
vegetables they have consumed in the past seven days. For the second question, they have to
166
indicate whether their FV consumption of the past seven days reflects their eating habits of the
past three months. For the third question, they have to indicate how their eating habits of the past
seven days differ from those of the past three months (e.g., much/a bit more/less FV than in the
past three months). This was followed by a series of questions to collect sociodemographic data.
For example, there were questions on age, the use of supplements and the experience of nausea in
the past month in order to adjust for these factors in the statistical analyses. Unfortunately, we
were unable to adjust for the use of supplements as only two pregnant women reported not using
supplements, mainly prenatal multivitamins with folic acid. Completion of the FVQ took on
average between 10 and 15 minutes.
For the food record, women were instructed to write down everything they ate and drank for two
weekdays and one weekend day. At the end of the document, pregnant women had a space where
they could write down recipes of foods they ate. Pregnant women were asked to measure the
amount of food consumed with household measurements (e.g., cups, teaspoons, tablespoons) or to
write down the quantity written on commercial packaging.
Upon entry into the study, pregnant women were also asked whether they would be interested in
an optional part of the study which required a visit at the research center to give a blood sample
and fill out the FFQ. During that visit, which usually occurred within two weeks after filling the
FVQ and the food record, a fasting blood sample was drawn and dietary intake was assessed using
a FFQ administered by a trained registered dietitian (Goulet et al., 2004). Before the visit, pregnant
women were instructed to fast for at least 12 hours before their scheduled blood sample (only water
was allowed), to avoid drinking alcohol the previous 48 hours and also to avoid doing intense
physical activity the night before their appointment. A blood sample of 12 ml was collected by a
venipuncture on their non-dominant arm from a trained nurse. Immediately after being collected,
blood samples were stored in a refrigerator kept at a temperature of -80°C until the assessment of
plasma carotenoids concentrations. The FFQ inquired about eating habits of the past month and
included 91 items that were listed in food groups (vegetables, fruit, legumes, nuts and seeds,
cereals and grain products, milk and dairy products, meat and processed meat, poultry, fish, eggs,
167
sweets, oils and fats, fast foods and drinks). Five items were concerning FV intake (vegetables,
potatoes, vegetable or tomato juice, fruit and fruit juice). Visits lasted on average one hour.
When computing the number of FV portions, both the food record and the FFQ used the same
algorithm which included FV consumed alone, dried (i.e., dried fruits) and also those contained in
popular mixed dished. FV intakes for the FVQ, the food record and the FFQ were calculated in
terms of servings of FV based on Canada’s Food Guide definition of a serving of fruit or vegetable
(Health Canada, 2011). Evaluation of energy intake from food records and FFQ was performed
using the Nutrition Data System for Research (NDS-R) version 4.03, developed by the Nutrition
Coordinating Center, University of Minnesota, Minneapolis, MN, Food and Nutrient Database 31.
Retinyl acetate, α-carotene, lutein, zeaxanthin, β-cryptoxanthin, β-carotene and lycopene were
purchased from Sigma (Oakville, Ontario, Canada). All solvents were of high-performance liquid
chromatography (HPLC) grade and purchased from VWR (Mississauga, Ontario, Canada). HPLC
water was obtained using a MilliQ water purification system from Millipore (Etobicoke, Ontario,
Canada). Stock solutions for each carotenoid were prepared (1 mg in 100 mL of solvent) in either
ethanol (C2H6O; for lutein, zeaxanthin and β-cryptoxanthin) or hexane (C6H14; for β-carotene
and lycopene). Solutions were left to shake overnight at 4°C under dim light. The exact
concentration of each stock solution was then determined using a UV spectrophotometer and the
specific molecular extinction coefficient (e) of each carotenoid (Gleize, Steib, Andre, & Reboul,
2012). Appropriate volumes of stock solutions were then transferred to amber Eppendorf tubes
and evaporated under nitrogen. On the day of the analyses, carotenoid standards were solubilized
with methanol/dichloromethane (65/35, v/v) to obtain a final concentration of 2 mM. These
solutions were then diluted to perform calibration curves. Retinyl acetate (15 mM) was used as an
internal standard.
Post-intervention plasma samples kept at -80°C were thawed a day before analysis. Samples were
vortexed and then centrifuged at 3500 rpm for 10 minutes at 4°C. Aliquots of 100 µL of plasma
were then transferred in Eppendorf tubes (1.5 mL) along with 20 µL of 2-propanol and 20 µL of
carotenoid standard and the tubes were vortexed. Samples were transferred on a 400μL fixed well
168
plate (ISOLUTE® SLE+, Biotage, Charlotte, NC) and 900 µL of hexane:isopropanol (90/10, v/v)
was added to each well. Each extracted sample was evaporated under nitrogen and once dried, was
reconstituted with 300 µL of methanol:dichloromethane (65/35, v/v). Plates were shaken for 10
minutes and samples were transferred into HPLC glass vials to be analyzed.
HPLC-UV analysis of the samples was performed using an Agilent 1260 liquid handling system
(Agilent, Mississauga, Ontario, Canada) equipped with a binary pump system and a C30 reversed
phase column (YMC America Inc., Allentown, PA) kept at constant temperature (35°C).
Carotenoids of the different samples were separated with a mobile phase consisting of
methanol:water (98/2, v/v; Eluent A) and methyl-tert-butyl ether (MTBE; Eluent B; VWR,
Mississauga, Ontario, Canada). Flow-rate was set at 1 mL/min and the gradient elution was as
follows: 2% Eluent B (initial), 2.0-80% Eluent B (0.0-27.0 min), isocratic 80% Eluent B (27.0-
31.0 min), 80.0-2.0% Eluent B (31.0-31.1 min) and isocratic 2% Eluent B (31.1-34.0 min). UV
detector was set at 450 nm and identification of each compound was confirmed using retention
time and UV spectra (190-640nm) of the pure compounds. Data acquisition was carried out with
the Chemstation software (Agilent, Mississauga, Ontario, Canada).
Statistical Analyses
Descriptive statistics were used to describe the sample at baseline.
Validity. Mean servings of FV were compared using paired t-test analyses for the FVQ and the
food record, the reference method. The proportion of pregnant women who met Canada’s Food
Guide recommendation of at least seven servings of FV per day was compared using McNemar’s
(1947) test for the FVQ and the food record. The capacity of the FVQ to correctly classify pregnant
women according to Canada’s Food Guide recommendation for FV was verified by means of
standard epidemiologic indices (specificity, sensitivity, predictive values and accuracy) (Gibson,
2005; Rothman, 2012). The food record was used as the measure of "true" FV intake. Sensitivity
represents the proportion of pregnant women who "truly" ate at least 7 servings of FV per day who
were correctly classified as such by the FVQ. Specificity is the proportion of pregnant women who
"truly" ate less than 7 servings of FV per day who were correctly classified as such by the FVQ.
Predictive values contain the positive predictive value and the negative predictive value. The
169
positive predictive value is the proportion of pregnant women classified as eating at least 7 servings
of FV per day among pregnant women who "truly" ate at least 7 servings of FV per day. The
negative predictive value is the proportion of pregnant women classified as eating less than 7
servings of FV per day among pregnant women who "truly" ate less than 7 servings of FV per day.
The accuracy or correct classification rate is the proportion of classifications for which the FVQ
and the food record agree.
Normality of the distribution of the variables was verified using Shapiro-Wilk’s test and both
Pearson and Spearman correlations were computed for each variable. Both correlations were
similar for all variables and therefore only the Pearson correlations are presented. Pearson and
partial correlations (adjusted for energy intake and experience of nausea in the past month) were
computed between the FVQ and the two reference methods (food record and plasma carotenoids
concentrations) and with the comparison method (FFQ). The mean daily energy intake for each
pregnant woman was derived from either their food record or the FFQ. Correlations were classified
according to Cohen’s (1992) criteria whereby correlations of 0.10 indicate a small effect size, 0.30
indicate a medium effect size and 0.50 indicate a large effect size. Finally, a Bland-Altman plot
(Bland & Altman, 1986) was drawn to measure agreement between FV intakes measured by the
FVQ and the food record.
Test-retest Reliability. The FVQ’s test-retest reliability was verified by computing intra-class
correlations (ICCs) between the first and the second assessments of FV intakes. ICCs were
classified according to Fermanian’s (1984) criteria whereby ICCs between 0-0.30 are considered
very bad or null, 0.31-0.50 are considered mediocre, 0.51-0.70 are considered moderate, 0.71-0.90
are considered good and over 0.91 are considered very good. All statistical analyses were
computed using SAS version 9.4 (SAS Institute, Cary, NC, USA).
Results
Flow of Participants and Sample Characteristics
Sixty-five pregnant women expressed interest in participating in the study and 49 (response rate:
75.4%) completed and returned the first mailing (see Figure 1 for the complete flow of
170
participants). One participant was removed from the statistical analyses as she reported having
consumed zero FV in the past seven days while she reported high intakes of fresh FV in both the
food record and the FFQ and it was assumed that it was a misunderstanding on how to complete
the FVQ. Thus, the data from 48 pregnant women were analyzed for the first mailing. In addition,
33 respondents (participation rate: 67.4%) participated in the optional part of the study that is, the
visit at the research center where a fasting blood sample was drawn and the FFQ was administered
by a trained registered dietitian. At the second mailing, 44 pregnant women (attrition rate: 10.2%)
completed and returned the FVQ. At baseline, the four pregnant women who did not complete the
second mailing were similar to the other women in terms of age (32.5 ± 3.3 years), gestational
weeks (24.5 ± 7.3 weeks), pre-pregnancy BMI (22.7 ± 2.8 kg/m2), level of education (75% had a
university degree) and parity (75% were pregnant with their first child). They also had a high
annual family income (> CA$ 100 000), none of them had a medical condition, all of them reported
taking supplements and none of them reported having experienced nausea in the past month. The
complete baseline characteristics of participants are presented in Table 1.
Validity
The total number of servings for FV between the FVQ and the food record was significantly
different (p=0.0130). Yet, the differences in servings of vegetables, potatoes, and fruits were all
non-significant (all ps>0.05), except for vegetable juice (p=0.0168) and fruit juice (0.0134) (see
Table 2). The percentages of pregnant women who followed or not the recommendations were not
statistically different between the FVQ and the food record (p=0.0736). When pregnant women
were classified as eating at least 7 servings of FV per day or not, the sensitivity for the FVQ was
53.3% while its specificity was 66.7%. The positive predictive value was 72.7% and the negative
predictive value was 46.2%. Finally, the accuracy of the FVQ to classify pregnant women as
meeting or not Canada’s Food Guide recommendations for FV compared to the food record was
58.3%.
The FVQ was significantly correlated to the food record for all FV (range: 0.30-0.56, all ps<0.05),
except for potatoes (r=0.08, p>0.05) (see Table 3). The correlation for FV intakes between the
FVQ and the food record was 0.34 (p=0.0180). The correlations were similar when adjusted for
171
energy intake and the experience of nausea in the past month. The majority of the correlations
(crude and adjusted for energy and for nausea) between the FVQ and the food record represented
medium-to-large effect sizes (r between 0.30 and 0.50).
The FVQ was also significantly correlated to the FFQ for all FV (range: 0.61-0.76, all ps<0.05),
except for potatoes (r=0.19, p>0.05) (see Table 3). The correlation for FV intakes between the
FVQ and the FFQ was 0.61 (p=0.0002). The correlations were similar after adjustments for energy
intake and for experience of nausea1 in the past months. The correlations (crude and adjusted for
energy and for nausea) between the FVQ and the FFQ represented mainly large effect sizes (r ≥
0.50).
FV intake, excluding potatoes, assessed using the FVQ, the food record or the FFQ was not
significantly correlated to any of the plasma carotenoids assessed or to total plasma carotenoids
concentrations (range: -0.29-0.30, all ps>0.05) (see Table 4). Adjustments for energy intake and
the experience of nausea1 in the past month did not modify the correlations, except that the
correlation between the FFQ and β-cryptoxanthin plasma concentrations became significant
(r=0.35, p=0.0471) and represents a medium effect size.
According to the Bland-Altman plot showing the agreement between the FVQ and the food record,
the mean difference in the number of servings reported between the FVQ and the food record was
0.91±2.37 servings (see Figure 2). This indicates that when pregnant women completed the food
record, they usually reported consuming approximately one more serving of FV than when they
answered the FVQ. Nevertheless, the majority of differences in servings between the two
instruments were within two standard deviations of the mean difference.
Test-Retest Reliability
The FVQ had overall a good test-retest reliability with good intra-class correlations between the
two administrations of the questionnaire at a mean 28-day interval for all FV (range: 0.70-0.72),
1Since nausea is more usual in early pregnancy, adjustment for trimester was also computed. All correlations were similar to when they were adjusted for the presence of nausea (data not shown).
172
except for potatoes (ICC=0.35) and vegetable juice (ICC=0.24) whose intra-class correlations
were mediocre according to Fermanian’s (1984) classification. The intra-class correlations were:
0.71 for vegetable intake, 0.70 for fruit intake, 0.70 for fruit juice and for 0.72 FV intake.
Discussion
Overall, the FVQ showed acceptable validity among our sample of pregnant women with
significant correlations with a food record and a FFQ for all FV, except potatoes, even when
controlling for energy intake and the presence of nausea. However, when pregnant women
completed the FVQ, they tended to underreport the number of FV servings consumed compared
to when they completed the food record. Also, none of the FV intake of the self-reported tools was
significantly correlated to any of the plasma carotenoids measured in the present study, except for
the FFQ and β-cryptoxanthin plasma concentrations when adjusted for the presence of nausea. The
FVQ also has acceptable evidence of test-retest reliability with good intra-class correlations at a
two-week interval, except for potatoes and vegetable juice.
The FVQ was moderately correlated to the food record and highly correlated to the FFQ. The
correlation between FV intake measured by the FVQ and the FFQ (r=0.61) was similar to the one
that was found among obese (r=0.66) and non-obese participants (r=0.65) in Godin et al.’s (2008)
original study. The fact that the FVQ and the FFQ are both retrospective tools that measure
frequency of consumption could partly explain why both instruments are more highly correlated
compared with the food record which is a prospective measure. Retrospective measures are
associated with memory biases, since participants have to recall what they ate over a specific
period of time. In addition, since both the FVQ and the FFQ are both retrospective measures they
likely also share dependant measurement errors and therefore a high correlation between the two
tools does not necessarily mean that the FVQ has a high validity, but rather that the FVQ and its
comparison method, the FFQ, assess FV intake similarly. Prospective measures, on the other hand,
can lead to reactivity. Reactivity occurs when respondents change their diet to avoid the burden of
recording foods, such as mixed dishes (i.e., recipes), or most importantly, when they adopt a more
socially desirable diet (Baranowski, 2013). Also, the order in which pregnant women had to
complete the food record and the FVQ at the first mailing was not specified. If they completed the
173
FVQ first this would mean that the FVQ (past 7 days) and the food record (prospective 3 days)
would not cover the same period of time. In fact, this could explain why correlations between the
FVQ and the FFQ are higher than with the food record. Ideally, the FVQ should have been
completed first, since completing a food record could have led pregnant women to become more
aware of their eating habits (including their FV intake), which could have influenced the responses
they gave when filling out the FVQ.
Adjustments for energy intake and the presence of nausea did not change the correlations between
the self-reported tools and with biomarkers, although approximately half of our sample reported
experiencing nausea in the past month and close to 70% of them mentioned that it affected their
diet. This is contrary to a study by Brantsaeter et al. (2008) which validated a FFQ against a food
record in pregnant women and found that the correlation increased from 0.27 to 0.49 for energy
and from 0.28 to 0.43 for protein when women who reported nausea were excluded. The same
happened when their FFQ was validated with urinary nitrogen excretion; the correlation went from
0.27 to 0.58 for protein intake when participants with nausea were excluded (Brantsaeter et al.,
2008). However, it is possible that nausea affects dietary intake differently depending on type of
food and maybe FV intake is less affected by nausea than protein intake in a similar fashion as
taste and food preferences or aversions change across the course of pregnancy (Bowen, 1992;
Flaxman & Sherman, 2000). Supplements use is also known to affect correlations between self-
reported instruments, especially with biomarkers (Brantsaeter, Haugen, Hagve, et al., 2007). We
did not adjust our correlations for this last variable given that all of our pregnant women, except
two, reported using supplements, mainly prenatal vitamins with folic acid.
Results from this study suggest that the FVQ seems to underestimate FV intake compared to the
food record. We cannot exclude the possibility that the food record may have overestimated FV
intake rather than the FVQ underreporting FV intake. Indeed, given that food records imply writing
down what is eaten at the time it is consumed, they are known to cause reactivity (Baranowski,
2013). It is thus possible that pregnant women decided to eat more FV on the days they recorded
their food intake to project a good image of themselves. In fact, the proportions of participating
women who met Canada’s Food Guide recommendations for FV were higher (45.8 and 62.5%)
174
compared to another study in Canada which used a self-reported FFQ and reported that 35% of
pregnant women met the current Canadian recommendations (Fowler et al., 2012).
Another possible explanation for a potential underestimation of FV intake is that the FVQ differs
from the food record given that no specific instructions on mixed dishes of FV are provided. It is
thus possible that pregnant women did not take into account mixed vegetable dishes (e.g.,
vegetable soup) or sauces (e.g., salsa) when they reported their FV intake using the FVQ. In fact,
a review of brief survey instruments for the measurement of FV in adults found that the inclusion
of questions on mixed vegetable dishes enhanced the validity of those questionnaires (D. J. Kim
& Holowaty, 2003). Authors interested in using the FVQ among pregnant women might want to
add items on mixed dishes and verify if it enhances its validity compared to a food record.
None of the self-reported instruments were significantly correlated to any of the plasma
carotenoids measured in the present study, even though we excluded potatoes from FV intake
given their low content in carotenoids (Diretto et al., 2007). This could result from the period of
time elapsed between the administration of the FVQ, the food record and the moment the blood
sample was drawn (usually within two weeks after filling the FVQ and the food record). In fact,
the only significant correlation was for the FFQ—which was administered during the same visit
that the blood sample was drawn—and β-cryptoxanthin plasma concentrations when the
correlation was adjusted for the experience of nausea. This last result is similar to two studies that
found significant correlations between FV, excluding potatoes (Brantsaeter, Haugen, Rasmussen,
et al., 2007), and between FV (Vioque, Weinbrenner, Castello, Asensio, & Garcia de la Hera,
2008), assessed by a FFQ and plasma β-cryptoxanthin concentrations in pregnant women.
Similarly to our study, Brantsaeter et al. (2007) reported non-significant correlations between FV
intake, excluding potatoes, measured by their FFQ and α-carotene and sum of carotenoids while
Vioque et al. (2013) found non-significant correlations between FV assessed by their FFQ and
plasma retinol and lycopene. Yet, some studies mentioned significant correlations between FV
assessed by FFQ and certain plasma carotenoids, such as lutein (Brantsaeter, Haugen, Rasmussen,
et al., 2007; Vioque et al., 2013), β-carotene (Mikkelsen, Olsen, Rasmussen, & Osler, 2007;
Vioque et al., 2013) and α-carotene (Vioque et al., 2013) and even with total carotenoids (Vioque
175
et al., 2013). In sum, it is still unclear which carotenoids found in plasma are the most correlated
to FV assessed by self-reported tools in pregnant women. It is possible that the present study lack
statistical power to detect significant correlations between certain plasma carotenoids and FV
because of low sample size compared to studies that found significant correlations. Other elements
that could explain the poor correlations observed between plasma carotenoids and FV intake
measured by the FVQ, the food record or the FFQ are within-subject variations in metabolism and
carotenoids bioavailability (Van Dam & Hunter, 2013). Within-subject variations in metabolism
can affect the absorption of plasma carotenoids while food preparation (e.g., adding oil or heating
FV) can increase the bioavailability of their carotenoids content (Van Dam & Hunter, 2013).
The test-retest reliability of the FVQ was mostly good, except for potatoes and vegetable juice.
One problem with assessing test-retest reliability for questionnaires assessing eating behavior,
such as the FVQ, compared to more stable attributes, such as personality traits or intellectual
quotient, is that poor test-retest reliability scores can be due to natural variations in dietary intakes
between the two assessment periods and not be a sign of low reproducibility. Unfortunately, it is
not possible to statistically distinguish within-subject variations from random measurement errors
(Gibson, 2005). Therefore, lower ICCs for potatoes and vegetable juice might be due to the fact
that these foods are less commonly consumed compared to other categories of FV. In fact, they
were the two categories of FV that had the lowest mean daily intakes in our sample. If these foods
were consumed at the first administration of the FVQ and not at the second administration, or vice
versa, this might lead to a lower ICC, since servings will differ between both time points.
Nevertheless, when FV are combined, their ICC was good (0.72) and is similar to the study of
Vian et al. (2015) in which they administered a FFQ for consumption of polyphenol-rich foods in
pregnant women at a 15 days interval and obtained an ICC of 0.73.
Strengths of this study were 1) the use of an objective measure of FV intake, plasma carotenoids,
2) the adjustment for the presence of nausea, which is specific to pregnancy and 3) the reporting
of data on reproducibility, which is often lacking for brief FV survey instruments (D. J. Kim &
Holowaty, 2003). The main limitation of the study was the low sample size, even though pregnant
women across all three trimesters were represented. Our sample was also comprised of female
176
volunteers with high levels of education and high family income, which might limit
generalizability to other populations of pregnant women.
To conclude, the FVQ has acceptable validity and test-retest reliability values, but seems to
underestimate FV servings in pregnant women. It represents an interesting alternative for
researchers or clinicians interested in estimating quickly FV intake among pregnant women, such
as in large trials or during prenatal visits. The FVQ should however be coupled with other self-
reported measures, such as a food record, for assessing precise individual FV intake.
177
Funding
LAVI is recipient of a doctoral research award from the Canadian Institutes of Health Research
(CIHR). The funding body had no role in the design of the study, collection, analysis and
interpretation of data and in writing the manuscript.
178
Acknowledgements
The authors would like to acknowledge the contribution of Pascal Dubé of the Institute of Nutrition
and Functional Foods (INAF) for the assessment of plasma carotenoids concentrations. They
would also like to thank the pregnant women for participating to the study.
179
References
Al-Delaimy, W. K., Ferrari, P., Slimani, N., Pala, V., Johansson, I., Nilsson, S., . . . Riboli, E. (2005). Plasma carotenoids as biomarkers of intake of fruits and vegetables: individual-level correlations in the European Prospective Investigation into Cancer and Nutrition (EPIC). Eur J Clin Nutr, 59(12), 1387-1396. doi: 10.1038/sj.ejcn.1602252
Archambault, C., Arel, R., & Filion, K. B. (2014). Gestational diabetes and risk of cardiovascular disease: a scoping review. Open Med, 8(1), e1-9.
Aune, D., Chan, D. S., Greenwood, D. C., Vieira, A. R., Rosenblatt, D. A., Vieira, R., & Norat, T. (2012). Dietary fiber and breast cancer risk: a systematic review and meta-analysis of prospective studies. Ann Oncol, 23(6), 1394-1402. doi: 10.1093/annonc/mdr589
Baranowski, T. (2013). 24-hour recall and diet record methods. In W. Willett (Ed.), Nutrional epidemiology (pp. 49-69). New York, NY: Oxford University Press.
Beharier, O., Shoham-Vardi, I., Pariente, G., Sergienko, R., Kessous, R., Baumfeld, Y., . . . Sheiner, E. (2015). Gestational diabetes mellitus is a significant risk factor for long-term maternal renal disease. J Clin Endocrinol Metab, 100(4), 1412-1416. doi: 10.1210/jc.2014-4474
Bellamy, L., Casas, J. P., Hingorani, A. D., & Williams, D. (2009). Type 2 diabetes mellitus after gestational diabetes: a systematic review and meta-analysis. Lancet, 373(9677), 1773-1779. doi: 10.1016/s0140-6736(09)60731-5
Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. Lancet, 1(8476), 307-310.
Bowen, D. J. (1992). Taste and food preference changes across the course of pregnancy. Appetite, 19(3), 233-242.
Brantsaeter, A. L., Haugen, M., Alexander, J., & Meltzer, H. M. (2008). Validity of a new food frequency questionnaire for pregnant women in the Norwegian Mother and Child Cohort Study (MoBa). Matern Child Nutr, 4(1), 28-43. doi: 10.1111/j.1740-8709.2007.00103.x
Brantsaeter, A. L., Haugen, M., Hagve, T. A., Aksnes, L., Rasmussen, S. E., Julshamn, K., . . . Meltzer, H. M. (2007). Self-reported dietary supplement use is confirmed by biological markers in the Norwegian Mother and Child Cohort Study (MoBa). Ann Nutr Metab, 51(2), 146-154. doi: 10.1159/000103275
Brantsaeter, A. L., Haugen, M., Rasmussen, S. E., Alexander, J., Samuelsen, S. O., & Meltzer, H. M. (2007). Urine flavonoids and plasma carotenoids in the validation of fruit, vegetable and tea intake during pregnancy in the Norwegian Mother and Child Cohort Study (MoBa). Public Health Nutr, 10(8), 838-847. doi: 10.1017/s1368980007339037
Campbell, D. R., Gross, M. D., Martini, M. C., Grandits, G. A., Slavin, J. L., & Potter, J. D. (1994). Plasma carotenoids as biomarkers of vegetable and fruit intake. Cancer Epidemiol Biomarkers Prev, 3(6), 493-500.
Clausen, T. D., Mathiesen, E. R., Hansen, T., Pedersen, O., Jensen, D. M., Lauenborg, J., & Damm, P. (2008). High prevalence of type 2 diabetes and pre-diabetes in adult offspring of women with gestational diabetes mellitus or type 1 diabetes: the role of intrauterine hyperglycemia. Diabetes Care, 31(2), 340-346. doi: 10.2337/dc07-1596
Cohen, J. (1992). A power primer. Psychol Bull, 112(1), 155-159. Contento, I. R., Randell, J. S., & Basch, C. E. (2002). Review and analysis of evaluation
measures used in nutrition education intervention research. J Nutr Educ Behav, 34(1), 2-25.
180
Crozier, S. R., Robinson, S. M., Borland, S. E., Godfrey, K. M., Cooper, C., & Inskip, H. M. (2009). Do women change their health behaviours in pregnancy? Findings from the Southampton Women's Survey. Paediatr Perinat Epidemiol, 23(5), 446-453. doi: 10.1111/j.1365-3016.2009.01036.x
Diretto, G., Al-Babili, S., Tavazza, R., Papacchioli, V., Beyer, P., & Giuliano, G. (2007). Metabolic engineering of potato carotenoid content through tuber-specific overexpression of a bacterial mini-pathway. PLoS One, 2(4), e350.
Fermanian, J. (1984). [Measuring agreement between 2 observers: a quantitative case]. Rev Epidemiol Sante Publique, 32(6), 408-413.
Flaxman, S. M., & Sherman, P. W. (2000). Morning sickness: a mechanism for protecting mother and embryo. Q Rev Biol, 75(2), 113-148.
Fowler, J. K., Evers, S. E., & Campbell, M. K. (2012). Inadequate dietary intakes among pregnant women. Can J Diet Pract Res, 73(2), 72-77. doi: 10.3148/73.2.2012.72
Gan, Y., Tong, X., Li, L., Cao, S., Yin, X., Gao, C., . . . Lu, Z. (2015). Consumption of fruit and vegetable and risk of coronary heart disease: a meta-analysis of prospective cohort studies. Int J Cardiol, 183, 129-137. doi: 10.1016/j.ijcard.2015.01.077
Gandini, S., Merzenich, H., Robertson, C., & Boyle, P. (2000). Meta-analysis of studies on breast cancer risk and diet: the role of fruit and vegetable consumption and the intake of associated micronutrients. Eur J Cancer, 36(5), 636-646.
Gibson, R. S. (2005). Principles of nutritional assessment (2nd ed.). New York: Oxford University Press.
Gleize, B., Steib, M., Andre, M., & Reboul, E. (2012). Simple and fast HPLC method for simultaneous determination of retinol, tocopherols, coenzyme Q(10) and carotenoids in complex samples. Food Chem, 134(4), 2560-2564. doi: 10.1016/j.foodchem.2012.04.043
Godin, G., Bélanger-Gravel, A., Paradis, A.-M., Vohl, M.-C., & Pérusse, L. (2008). A simple method to assess fruit and vegetable intake among obese and non-obese individuals. Can J Public Health, 99(6), 494-498.
Goulet, J., Nadeau, G., Lapointe, A., Lamarche, B., & Lemieux, S. (2004). Validity and reproducibility of an interviewer-administered food frequency questionnaire for healthy French-Canadian men and women. Nutr J, 3, 13. doi: 10.1186/1475-2891-3-13
Hartley, L., Igbinedion, E., Holmes, J., Flowers, N., Thorogood, M., Clarke, A., . . . Rees, K. (2013). Increased consumption of fruit and vegetables for the primary prevention of cardiovascular diseases. Cochrane Database Syst Rev, 6, CD009874. doi: 10.1002/14651858.CD009874.pub2
He, F. J., Nowson, C. A., & MacGregor, G. A. (2006). Fruit and vegetable consumption and stroke: meta-analysis of cohort studies. Lancet, 367(9507), 320-326. doi: 10.1016/s0140-6736(06)68069-0
Health Canada. (2011). Eating well with Canada's Food Guide. Ottawa: Health Canada. Hogan, T. P. (2003). Psychological testing: A practical introduction. Hoboken: John Wiley &
Sons. Hu, D., Huang, J., Wang, Y., Zhang, D., & Qu, Y. (2014). Fruits and vegetables consumption
and risk of stroke: a meta-analysis of prospective cohort studies. Stroke, 45(6), 1613-1619. doi: 10.1161/strokeaha.114.004836
Kim, C., Newton, K. M., & Knopp, R. H. (2002). Gestational diabetes and the incidence of type 2 diabetes: a systematic review. Diabetes Care, 25(10), 1862-1868.
181
Kim, D. J., & Holowaty, E. J. (2003). Brief, validated survey instruments for the measurement of fruit and vegetable intakes in adults: a review. Prev Med, 36(4), 440-447.
Kim, S. Y., Sharma, A. J., & Callaghan, W. M. (2012). Gestational diabetes and childhood obesity: what is the link? Curr Opin Obstet Gynecol, 24(6), 376-381. doi: 10.1097/GCO.0b013e328359f0f4
Lunet, N., Lacerda-Vieira, A., & Barros, H. (2005). Fruit and vegetables consumption and gastric cancer: a systematic review and meta-analysis of cohort studies. Nutr Cancer, 53(1), 1-10. doi: 10.1207/s15327914nc5301_1
Magalhaes, B., Peleteiro, B., & Lunet, N. (2012). Dietary patterns and colorectal cancer: systematic review and meta-analysis. Eur J Cancer Prev, 21(1), 15-23. doi: 10.1097/CEJ.0b013e3283472241
Mc Nemar, Q. (1947). Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, 12(2), 153-157.
Mikkelsen, T. B., Olsen, S. F., Rasmussen, S. E., & Osler, M. (2007). Relative validity of fruit and vegetable intake estimated by the food frequency questionnaire used in the Danish National Birth Cohort. Scand J Public Health, 35(2), 172-179. doi: 10.1080/14034940600975625
Nehring, I., Chmitorz, A., Reulen, H., von Kries, R., & Ensenauer, R. (2013). Gestational diabetes predicts the risk of childhood overweight and abdominal circumference independent of maternal obesity. Diabet Med, 30(12), 1449-1456. doi: 10.1111/dme.12286
Polsinelli, M. L., Rock, C. L., Henderson, S. A., & Drewnowski, A. (1998). Plasma carotenoids as biomarkers of fruit and vegetable servings in women. J Am Diet Assoc, 98(2), 194-196. doi: 10.1016/s0002-8223(98)00048-0
Rothman, K. J. (2012). Epidemiology: An introduction. New York, NY: Oxford University Press.
Van Dam, R., & Hunter, D. (2013). Biochemical indicators of dietary intake. In W. Willet (Ed.), Nutritional Epidemiology. New York, NY: Oxford University Press.
Vézina-Im, L.-A., & Robitaille, J. (2014). Validity and reliability of self-reported measures of foods and nutrients in pregnancy: A systematic review Curr Nutr Rep, 3, 245-280. doi: 10.1007/s13668-014-0090-6
Vian, I., Zielinsky, P., Zilio, A. M., Mello, A., Lazzeri, B., Oliveira, A., . . . Garcia, S. C. (2015). Development and validation of a food frequency questionnaire for consumption of polyphenol-rich foods in pregnant women. Matern Child Nutr, 11(4), 511-524. doi: 10.1111/mcn.12025
Vioque, J., Navarrete-Munoz, E. M., Gimenez-Monzo, D., Garcia-de-la-Hera, M., Granado, F., Young, I. S., . . . Iniguez, C. (2013). Reproducibility and validity of a food frequency questionnaire among pregnant women in a Mediterranean area. Nutr J, 12, 26. doi: 10.1186/1475-2891-12-26
Vioque, J., Weinbrenner, T., Castello, A., Asensio, L., & Garcia de la Hera, M. (2008). Intake of fruits and vegetables in relation to 10-year weight gain among Spanish adults. Obesity (Silver Spring), 16(3), 664-670. doi: 10.1038/oby.2007.121
Wu, Q. J., Wu, L., Zheng, L. Q., Xu, X., Ji, C., & Gong, T. T. (2015). Consumption of fruit and vegetables reduces risk of pancreatic cancer: evidence from epidemiological studies. Eur J Cancer Prev. doi: 10.1097/cej.0000000000000171
182
Wu, Y., Zhang, D., Jiang, X., & Jiang, W. (2015). Fruit and vegetable consumption and risk of type 2 diabetes mellitus: A dose-response meta-analysis of prospective cohort studies. Nutr Metab Cardiovasc Dis, 25(2), 140-147. doi: 10.1016/j.numecd.2014.10.004
Yeum, K. J., Ferland, G., Patry, J., & Russell, R. M. (1998). Relationship of plasma carotenoids, retinol and tocopherols in mothers and newborn infants. J Am Coll Nutr, 17(5), 442-447.
Zhang, C., Schulze, M. B., Solomon, C. G., & Hu, F. B. (2006). A prospective study of dietary patterns, meat intake and the risk of gestational diabetes mellitus. Diabetologia, 49(11), 2604-2613. doi: 10.1007/s00125-006-0422-1
183
Table 1. Baseline Characteristics of Participants (n=48)
Variables Mean or % SD Age (years) 31.0 4.1 Gestational weeks 19.1 7.6 1st trimester (0-14 weeks) 25.0% 2nd trimester (15-28 weeks) 60.4% 3rd trimester (29-42 weeks) 14.6% Pre-pregnancy BMI 23.4 3.3 Normal weight (18.5-24.9 kg/m2) 72.9% Overweight/obese (≥25 kg/m2) 27.1% Education <university degree 14.6% University degree 85.4% Family annual income (CA$) 0-100 000 56.3% >100 000 43.7% Number of children 0a 58.3% 1 22.9% ≥2 18.8% Type of pregnancy Singleton 100% Multiple 0% Pregnancy with a medical conditionb Yes 2.1% No 97.9% Supplements use Yes 95.8% No 4.2% Experienced nausea in the past month Yes 45.8% No 54.2% Nausea affected dietc Yes 68.2% No 31.8%
Note. SD: standard deviation; BMI: body mass index; aPregnant with their first child; bMedical conditions included hypothyroidism and unicornuate uterus; cPercentages only among the pregnant women who reported having experienced nausea in the past month.
184
Table 2. Comparison of the Mean Fruit and Vegetable Intakes and Percentages of Women Who Met Canada’s Food Guide Recommendations for the Fruit and Vegetable Questionnaire and the Food Record (n=48) Variables FVQ Food record P-values Mean ± SD for daily intakes (servings) Vegetables 2.53 ± 0.97 2.74 ± 1.41 0.2509 Potatoesa 0.29 ± 0.27 0.43 ± 1.02 0.3628 Vegetable juice 0.21 ± 0.39 0.44 ± 0.67 0.0168 Fruits 2.35 ± 0.88 2.48 ± 1.05 0.4390 Fruit juice 1.11 ± 0.81 1.50 ± 1.25 0.0134 Total fruit and vegetables 6.50 ± 1.78 7.41 ± 2.40 0.0130 Canada’s Food Guide recommendations <7 servings of fruits and vegetables 54.2% 37.5% 0.0736 ≥7 servings of fruits and vegetables 45.8% 62.5% 0.0736
Note. FVQ: fruit and vegetable questionnaire; SD: standard deviation. aExcluding French-fried potatoes.
185
Table 3. Correlations between the Fruit and Vegetable Questionnaire, the Food Record and the Food-Frequency Questionnaire Crude
Pearson Correlations
Partial Correlations Adjusted for
Energy Intake
Partial Correlations Adjusted for
Nausea
Partial Correlations Adjusted for
Energy Intake and Nausea
FVQ vs. food record (n=48)
Vegetables 0.46** 0.45** 0.44** 0.43** Potatoesa 0.08 0.04 0.07 0.03 Vegetable juice 0.38** 0.39** 0.38** 0.39** Fruits 0.30* 0.33* 0.29* 0.32* Fruit juice 0.56*** 0.57*** 0.56*** 0.56*** Fruits and vegetables 0.34* 0.33* 0.33* 0.32* FVQ vs. FFQ (n=33) Vegetables 0.70*** 0.72*** 0.69*** 0.72*** Potatoesa 0.19 0.19 0.21 0.20 Vegetable juice 0.76*** 0.75*** 0.76*** 0.76*** Fruits 0.72*** 0.72*** 0.73*** 0.73*** Fruit juice 0.73*** 0.71*** 0.74*** 0.72*** Fruits and vegetables 0.61** 0.57** 0.60** 0.55**
Note. FVQ: fruit and vegetable questionnaire; FFQ: food-frequency questionnaire; aExcluding French-fried potatoes; *p<0.05 **p<0.01 ***p<0.0001.
186
Table 4. Correlations between Fruit and Vegetablea Intake and Plasma Carotenoids Concentrations Crude
Pearson Correlations
Partial Correlations
Adjusted for Energy
Intake
Partial Correlations
Adjusted for Nausea
Partial Correlations Adjusted for
Energy Intake and Nauseab
FVQ (n=48) Retinol 0.21 N/A 0.23 N/A α-tocopherol ‐0.17 N/A -0.06 N/A Lutein ‐0.08 N/A -0.07 N/A Zeaxanthin ‐0.16 N/A -0.11 N/A β-cryptoxanthin 0.02 N/A 0.04 N/A α-carotene 0.11 N/A 0.13 N/A β-carotene 0.05 N/A 0.10 N/A Lycopene ‐0.27 N/A -0.23 N/A Total carotenoids ‐0.16 N/A -0.05 N/A Food record (n=48) Retinol 0.04 -0.06 0.04 -0.05 α-tocopherol ‐0.21 -0.24 -0.19 -0.23 Lutein 0.15 0.15 0.15 0.15 Zeaxanthin 0.01 -0.06 0.03 -0.04 β-cryptoxanthin 0.07 -0.02 0.07 -0.02 α-carotene 0.07 0.02 0.08 0.02 β-carotene ‐0.08 -0.11 -0.06 -0.10 Lycopene ‐0.11 -0.22 -0.09 -0.20 Total carotenoids ‐0.20 -0.24 -0.18 -0.23 FFQ (n=33) Retinol 0.30 0.31 0.31 0.32 α-tocopherol ‐0.06 -0.05 0.01 0.02 Lutein 0.24 0.24 0.24 0.25 Zeaxanthin 0.18 0.17 0.22 0.21 β-cryptoxanthin 0.34 0.31 0.35* 0.32 α-carotene 0.19 0.21 0.21 0.22 β-carotene 0.19 0.16 0.22 0.19 Lycopene 0.08 0.13 0.11 0.17 Total carotenoids ‐0.02 -0.01 0.05 0.07
Note. FVQ: fruit and vegetable questionnaire; FFQ: food-frequency questionnaire; aExcluding potatoes; bCorrelations were similar when they were also adjusted for age; *p=0.0471.
187
Figure 1. Flow of Participants
Included in analyses for the 1st mailing
(n=48)
Incomplete data (n=1)
Completed and returned 2nd mailing
(n=44)
Included in analyses on temporal stability
(n=44)
Included in analyses on carotenoids and FFQ
(n=33)
Data on
Reliab
ility
Expressed interest in participating
(n=65)
Completed and returned 1st mailing
(n=49)
Completed visit at the research center
(n=33)
Data on
Valid
ity
188
Figure 2. Bland-Altman Plot showing Agreement between the Fruit and Vegetable Questionnaire and the 3-Day Food Record
Note. FV: fruit and vegetable; FVQ: fruit and vegetable questionnaire; FR: food record. The line in the middle represents the mean difference in the number of fruit and vegetable portions between the two instruments (M = 0.91±2.37) and the two other dotted lines represent the upper and lower limits of agreement (M±2SD = -3.83, 5.65).
‐6
‐4
‐2
0
2
4
6
8
10
0 2 4 6 8 10 12
Difference in
number of FV
servings (FR
‐FVQ)
Mean number of FV servings [(FVQ+FR)/2]
189
CHAPITRE 4: FORMATIVE RESEARCH TO DESIGN AN IMPLEMENTATION INTENTIONS INTERVENTION PROMOTING FRUIT AND VEGETABLE
CONSUMPTION AMONG WOMEN AT RISK OF DEVELOPING GESTATIONAL DIABETES MELLITUS
Résumé
L’objectif de l’étude était d’utiliser la recherche formative pour développer une intervention pour
promouvoir la consommation de fruits et légumes chez des femmes à risque de développer du
diabète gestationnel. Il y avait quinze barrières pour la consommation de fruits et 13 pour les
légumes et 17 solutions pour la consommation de fruits et 11 pour les légumes. La principale
barrière et la principale solution pour la consommation de fruits et légumes étaient reliées au
manque de temps. Certaines barrières et solutions communes aux fruits et aux légumes ont été
identifiées ainsi que certaines spécifiques à chacun des deux aliments. Préparer les fruits et
légumes à l’avance, donner des recettes et créer l’habitude de consommer des fruits et légumes à
chaque repas semblent être des solutions intéressantes pour les interventions visant à promouvoir
la consommation de fruits et légumes chez des femmes à risque de développer du diabète
gestationnel.
190
Abstract
Interventions should address barriers and provide solutions tailored to the target population’s needs
to increase their chances of being effective and one way of ensuring this is to use formative
research. The objective of the study was to use formative research to design an implementation
intentions intervention promoting fruit and vegetable consumption among women at risk of
developing gestational diabetes mellitus. Data were collected by means of an online open-ended
questionnaire. Separate items for fruits and vegetables were used. Questions pertained to
facilitating factors, barriers and solutions to fruit and vegetable consumption. The most important
beliefs were identified using a 75% criterion. A total of 28 women completed the questionnaire.
Lack of time was the main barrier to fruit and vegetable consumption and the main solution was
related to this specific belief. Barriers and solutions common to fruits and vegetables were
identified as well as some specific to each food group. Preparing fruits and vegetables in advance,
giving recipes and creating the habit of eating fruits and vegetables at each meal seem potential
avenues for interventions aimed at promoting fruit and vegetable consumption among at-risk
women. This formative research was used to develop an implementation intentions intervention
questionnaire.
191
Introduction
Gestational diabetes mellitus (GDM) is a glucose intolerance that occurs or is diagnosed for the
first time during pregnancy (Metzger & Coustan, 1998). According to the International
Association of Diabetes and Pregnancy Study Groups’ (IADPSG) criteria, up to 18% of
pregnancies are complicated by GDM (Metzger et al., 2010). GDM can have important
consequences for the pregnant woman and her foetus including a high risk of developing type 2
diabetes (Bellamy, Casas, Hingorani, & Williams, 2009). Recurrence of GDM is common (Kim,
Berger, & Chamany, 2007) and one important risk factor for GDM is being overweight or obese
before pregnancy (Cavicchia et al., 2014).
A diet rich in fruits and vegetables (FV) has a protective effect against the development of GDM
(Zhang, Schulze, Solomon, & Hu, 2006). Unfortunately, studies among women with a history of
GDM indicate that most of them have a suboptimal FV consumption. For example, in a study
conducted among 226 women with prior GDM, only 5% of them consumed five servings of
vegetables per day and 44% consumed two or more servings of fruits per day (Zehle et al., 2008).
A more recent study also concluded that women with a history of GDM have a lower diet quality
compared to women who never had GDM and a lower consumption of green vegetables was partly
responsible for this low diet quality score (Xiao, Simas, Person, Goldberg, & Waring, 2015). Some
authors are thus calling for more research on the factors that influence the health beliefs and
behaviours of women with previous GDM (Jones, Roche, & Appel, 2009), especially as lifestyle
interventions are promising in reducing the risks of type 2 diabetes among women with a history
of GDM (Chasan-Taber, 2015).
Implementation intentions is a behaviour change technique that provides solutions to potential
barriers that might arise in the process of adopting a behaviour (e.g., If I meet barrier X then I will
adopt solution Y) (Hagger & Luszczynska, 2013). This strategy allows individuals to overcome
barriers that could hinder behaviour adoption by helping them prepare in advance an appropriate
response (Sniehotta, Schwarzer, Scholz, & Schüz, 2005). A recent meta-analysis indicated that
implementation intentions is an effective behaviour change technique to promote healthy eating
among the general population with a medium effect size (Adriaanse, Vinkers, De Ridder, Hox, &
192
De Wit, 2011) and the results of a recent study suggested that a self-regulatory intervention using
implementation intentions is more effective in increasing FV consumption than a motivational
intervention among a population of young adults (Lhakhang, Godinho, Knoll, & Schwarzer, 2014).
Interventions, including implementation intentions interventions, should address barriers and
provides solutions that are tailored to the needs of the target population to increase their chances
of being effective and avoid waste of time and resources (Baranowski, Cerin, & Baranowski,
2009). In fact, interventions targeting theory-based beliefs are more effective for the promotion of
health-related behaviours (Webb, Joseph, Yardley, & Michie, 2010). One way of tailoring an
intervention to an audience’s needs that has successfully been applied to FV intake is to use
formative research (Epton et al., 2014; Godinho, Alvarez, & Lima, 2013; Strolla, Gans, & Risica,
2006). Formative research implies gathering data on the needs of a target population in order to
design tailored and more effective interventions.
The Theory of Planned Behaviour (TPB) (Ajzen, 1991) is one of the few psychosocial theories to
provide a detailed methodology on how to use formative research to develop questionnaires that
reflect the target population’s most important beliefs (called modal salient beliefs in the TPB).
Studies performing this step are often referred to as elicitation studies. They are a type of formative
research that implies the identification of specific beliefs of the target population as a preliminary
step to design a TPB intervention (Fishbein & Ajzen, 2010). Elicitation studies have successfully
been applied to nutrition (Epton et al., 2014; Gardner & Hausenblas, 2004). The objective of the
present study was thus to use formative research to design a questionnaire-based implementation
intentions intervention promoting FV consumption among women at risk of developing GDM.
Methods
Population and Sample
The study population consisted of women at risk of developing GDM. To participate in the study,
women had to meet one of the following two eligibility criteria: 1) to have received a diagnosis of
GDM during a previous pregnancy and/or to be overweight (body mass index [BMI] > 25 kg/m2)
before a previous pregnancy; 2) to be a pregnant woman with a diagnosis of GDM and/or to be
193
overweight (BMI > 25 kg/m2) before the beginning of the current pregnancy. A sample of 30
individuals is usually sufficient to identify the salient beliefs of a population on a given behaviour
and ensure optimal data saturation (Francis et al., 2010). Participants were recruited through e-
mails sent in mid-January 2014 to individuals who had already participated in a study at the
Institute of nutrition and functional foods (INAF) and to female employees of the local university.
The study was reviewed and approved by the Ethics Committee of Laval University (2013-239).
Data Collection
Data were collected by means of an online questionnaire. Eligible women were given a user name
and a password to answer the questionnaire via a secured online platform. The questionnaire
included ten open-ended questions on the beliefs about FV consumption and five socio-
demographic questions to describe the sample. Completing the questionnaire took between 10 to15
minutes. The following text (originally in French) was provided at the beginning of the
questionnaire: "Canada’s Food Guide recommends eating at least 7-8 servings of fruits and
vegetables per day among women aged between 19 and 50 years. For example, a woman who eats
at least four servings of vegetables per day and at least three servings of fruits per day would meet
the recommendations of Canada’s Food Guide in terms of consumption of fruits and vegetables".
This text served to justify the servings of FV included in the items of the questionnaire. A definition
of a serving of FV according to Canada’s Food Guide (Health Canada, 2011) was also provided at
the beginning of the questionnaire and it was specified that FV could be fresh, frozen or canned
and that juices had to be without added sugar. Finally, separate items for FV (5 for fruits and 5 for
vegetables) were used given that there is evidence that different barriers are cited for each food
group (Glasson, Chapman, & James, 2011).
The questionnaire contained questions pertaining to facilitating factors, barriers and solutions to
FV consumption. Given that beliefs differ according to the stage at which the person is (i.e., action
versus maintenance) (Prochaska & Velicer, 1997), the questionnaire included separate items about
beliefs concerning the adoption of the behaviour in the next 30 days and about its maintenance for
the next six months. The six months timeframe was chosen according to the Transtheoretical
194
Model which considers that individuals are at the maintenance stage when the behaviour has been
adopted for at least six months (Prochaska & Velicer, 1997).
Facilitating Factors. Facilitating factors are a construct from the Theory of Interpersonal
Behaviour (Triandis, 1980). They are perceived external conditions (i.e., elements in a person’s
environment) that favour or facilitate the adoption of behaviour (Triandis, 1980). Two items
measured facilitating factors for FV consumption: 1) "What would facilitate your consumption of
at least four servings of vegetables per day in the next 30 days?"; and 2) "What would facilitate
your consumption of at least three servings of fruits per day in the next 30 days?". There were also
two items measuring factors facilitating the maintenance of an adequate FV consumption (e.g.,
"What would facilitate the maintenance of your consumption of at least four servings of vegetables
per day for the next six months?").
Barriers. Barriers are elements that can hinder the adoption of a behaviour. According to the Social
Cognitive Theory (Bandura, 2004), barriers can be personal (e.g., being too tired to prepare FV),
situational (e.g., my family does not like FV) or structural (e.g., there are no grocery store selling
fresh FV close to my home). Two items measured barriers to FV intake: 1) "What could hinder
you from eating at least four servings of vegetables per day for the next 30 days?"; and 2) "What
could hinder you from eating at least three servings of fruits per day in the next 30 days?". Again,
there were also two items measuring barriers to the maintenance of an adequate FV intake (e.g.,
"What could hinder you from maintaining your consumption of at least three servings of fruits per
day for the next six months?").
Solutions. Solutions are not a theoretical construct per se and can be internal conditions that favour
or facilitate the adoption of behaviour, such as having positive thoughts. Solutions are usually
related to a specific barrier. Two items were meant to identify potential solutions to barriers to FV
consumption: 1) "What could allow you to overcome barriers (solutions) to eating at least four
servings of vegetables per day in the next 30 days?"; and 2) "What could allow you to overcome
barriers (solutions) to eating at least three servings of fruits per day in the next 30 days?"
195
Implementation Intentions Questionnaire Development
The answers given by participants were used to develop the implementation intentions
questionnaire. To facilitate the development of the implementation intentions questionnaire, three
decisions were made post-hoc. First, respondents gave very similar responses for facilitating
factors and solutions. Since solutions are more suited for developing an implementation intentions
questionnaire as they can more easily be linked to overcome specific barriers, it was decided to
merge the two into a single category named "solutions". Second, given the similarities in beliefs
mentioned for fruit and those for vegetable consumption, it was decided to develop a single
implementation intentions questionnaire that would target both FV at the same time. Third, when
no solution was given for a barrier frequently mentioned, we formulated a solution to overcome
this specific barrier in order to have a solution for each barrier in the implementation intentions
questionnaire (e.g., If I believe that FV are expensive, then I will consult the flyer of my grocery
store and look for FV on sale).
Data Analysis
Participants’ answers were first grouped according to whether they expressed the same idea (i.e.,
content analysis) (Fishbein & Ajzen, 2010). Then, for each category of variables (facilitating
factors, barriers and solutions), the beliefs were compiled and listed, in decreasing order, according
to their frequency of time mentioned. Frequency of mention was calculated using the following
formula: number of times the belief is cited ÷ the total number of belief citations × 100. In order
to identify the modal salient beliefs of the population (i.e., the beliefs most frequently expressed
by respondents), only those that were the most frequently mentioned by participants were kept
until approximately 75% of the total number of beliefs was achieved, as recommended by the
authors of the TPB (Ajzen & Fishbein, 1980).
Results
Sample Characteristics
A total of 33 women at risk of GDM mentioned being interested in participating in the study. Of
those, 28 women (84.9%) completed the online questionnaire on the beliefs about FV
consumption. Participant’s mean age was 37.6 (SD = 4.6) and the majority of them had a previous
196
diagnosis of GDM (82.1%). The sample also included four pregnant women; three were
overweight before their current pregnancy and one had a diagnosis of GDM. The majority of
respondents had two children (57.1%), a university diploma (53.6%) and a mean household gross
annual income higher than CA$ 71 000 (78.6%).
Barriers to Fruit and Vegetable Consumption
A total of 15 barriers to fruit consumption and 13 for vegetables were mentioned by participants
and of those, eight emerged as modal salient beliefs for each food (see Table 1). The main barrier
for FV consumption was lack of time. Common barriers for the two foods were: being sick,
forgetting to eat FV, lack of motivation, not having FV at home, lack of appetite, poor quality and
variety of FV, high price of FV, the family not liking FV and not personally liking the taste of FV.
Solutions to Overcome Barriers to Fruit and Vegetable Consumption
A total of 17 solutions for eating fruits and 11 for vegetables were mentioned by women and of
those, eight emerged as modal salient beliefs for fruits and four for vegetables (see Table 2). The
main solution for FV consumption was related to the main barrier—lack of time—and was
preparing FV in advance or buying pre-cut or frozen FV at the grocery store. Common solutions
for the two foods were: having new recipes that include FV, buying more and a greater variety of
FV at the grocery store, better time management or taking the time needed for meal preparation or
to take a snack, integrating the habit of eating one fruit or vegetable per meal, writing down the
number of portions of FV eaten on the refrigerator or placing FV in plain sight on the kitchen
counter, family support and staying positive. Some solutions reported by women were also specific
to either fruits or vegetables, such as eating snacks which was a solution specific to eating more
fruits.
Implementation Intentions Questionnaire
The answers given by participants allowed the development of an implementation intentions
questionnaire containing twelve items (see Table 3). All the barriers items were formulated from
the answers given by participants while five solutions (41.6%) were formulated from what they
mentioned. Seven solutions were formulated and added by us. In the final implementation
197
intentions questionnaire, an additional space was provided to add a barrier and/or a solution not
listed in it.
Discussion
The results of the present formative research allowed the development of an implementation
intentions questionnaire containing twelve items. They indicate that perceived lack of time is a
major barrier to FV consumption among women at risk of developing GDM. In fact, time
constraints are often mentioned as a barrier to FV consumption in diverse populations (Pollard,
Greenwood, Kirk, & Cade, 2002). Moreover, the results of another study among women with
recent GDM indicate that busy women who feel capable of overcoming time constraints (i.e., high
self-efficacy) have a higher fruit consumption (Zehle et al., 2008).
Even though beliefs about FV consumption were assessed separately, there was a number of
common barriers for FV such as being sick, forgetting to eat FV, lack of motivation, not having
FV at home, lack of appetite, poor quality and variety of FV, high price of FV, the family not
liking FV and not personally liking the taste of FV. Only their importance varied according to the
food assessed. For instance, forgetting was the second most important barrier for fruit consumption
while it was mentioned as a barrier to vegetable intake less than 3% of the time. Nevertheless,
barriers to FV intake were generally similar for both food groups.
The barriers of being sick, tired and of lack of appetite seem more specifically related to being
pregnant given that being sick—particularly nausea—and tired is common among pregnant
women especially during the first trimester (Patil, Abrams, Steinmetz, & Young, 2012). Although
it was a common barrier to FV consumption, approximately two times more respondents
mentioned being sick as a barrier to vegetable consumption compared to fruit consumption. In
addition, tiredness was only mentioned as a barrier to vegetable intake. This could be explained
by the fact that vegetables usually require more preparation time than fruits (e.g., cooking time).
In fact, home food preparation has been identified as a barrier specific to vegetable intake among
young adults (Larson, Laska, Story, & Neumark-Sztainer, 2012). Moreover, while pregnancy is
usually associated with an increase in appetite in order to meet the higher need for nutrients
198
(Hirschberg, 1998), some pregnant women also experience a loss in appetite and aversions for
certain foods (Patil et al., 2012). It was also interesting to note that disgust for certain foods during
pregnancy was only mentioned for vegetable consumption. In fact, a review reported that fruits
and fruit juices are among the foods most commonly craved by pregnant women instead of
vegetables (Hirschberg, 1998) and a more recent review found that many pregnant women have
aversions to strong-tasting vegetables (e.g., broccoli, spinach), especially during the first trimester
(Flaxman & Sherman, 2000).
Other beliefs common to FV consumption, such as forgetting (Godinho et al., 2013), motivation
(Guillaumie, Godin, & Vézina-Im, 2010), home availability (Pollard et al., 2002), quality (Strolla
et al., 2006), variety (Haynes-Maslow, Parsons, Wheeler, & Leone, 2013), cost (Epton et al.,
2014), and taste of FV (Simunaniemi, Nydahl, & Andersson, 2013), as well as lack of family
support (Williams, Thornton, & Crawford, 2012) have already been identified as barriers to FV
consumption in previous studies among adults. Concerning home availability, a study conducted
among young adults indicated that neighbourhood access to FV was positively associated with a
high intake (Graham, Pelletier, Neumark-Sztainer, Lust, & Laska, 2013). In addition, it is
somewhat surprising that despite having women with a relatively high household income and level
of education, cost of FV was still mentioned as a barrier to FV consumption. Moreover, regarding
family support, the results of a study indicated that partners would have the greatest social
influence on FV consumption (Hartman, Wadsworth, Penny, van Assema, & Page, 2013) and in
another study, the family not wanting to eat more vegetables was identified as a barrier to FV
intake among low-income adults (Strolla et al., 2006). On the other hand, when dislike of healthy
foods by other household members is not a barrier, women with recent GDM have a higher
vegetable consumption (Zehle et al., 2008).
Some barriers were specific to fruits or vegetables. For instance, not eating snacks was a barrier
specific to fruit consumption while eating at the restaurant or "on the go" was a barrier specific to
vegetable consumption. Eating out has already been identified as one of the barriers to FV intake
most mentioned by participants during focus groups (Godinho et al., 2013). Some solutions
reported were also specific to either fruits or vegetables, such as eating fruits as snacks. It was
199
interesting to note that women appear to associate snacks with fruit consumption only. Similarly,
in a previous study, participants mentioned eating fruits throughout the day (before or at breakfast,
mid-morning, mid-afternoon, before going to bed) as a solution to eat more fruits (Godinho et al.,
2013). These results suggest that certain barriers and solutions can be specific to either fruit or
vegetable intake and that they should be assessed separately.
Common solutions for increasing intake of FV were: having new recipes that include FV, buying
more and a greater variety of FV at the grocery store, better time management or taking time for
meal preparation or for taking a snack, integrating the habit of eating one fruit or vegetable per
meal, writing down the number of portions of FV eaten on the refrigerator or placing FV in plain
sight on the kitchen counter, family support and staying positive. In another study, participants
mentioned receiving quick and easy recipes as a solution to improve their consumption of FV
(Hartman et al., 2013). Also, a previous study identified that women who liked trying new recipes
were more likely to consume two or more servings of vegetables per day (Crawford, Ball, Mishra,
Salmon, & Timperio, 2007). Moreover, giving recipes is sometimes a component of interventions
that were effective in increasing FV intake (Lapointe et al., 2010).
Integrating the habit of eating one fruit or vegetable per meal was another interesting solution for
increasing FV that was mentioned by the women in the present study. In fact, according to a
previous systematic review, habit would be the most important determinant of FV consumption in
adults (Guillaumie et al., 2010). According to the Theory of Interpersonal Behaviour (Triandis,
1980), if people start integrating one fruit and/or vegetable per meal, with frequency of
performance this can become a habit and unknowingly they will soon be eating more FV without
much cognitive effort. In fact, in a previous study, participants mentioned acquiring the habit of
starting a meal with soup—presumably vegetable soup—and ending it with fruits as a solution to
increase their FV intake and they believed that once the habit is acquired, it is difficult to break
(Godinho et al., 2013).
The present study has some limitations that are worth mentioning. First, not all women who
mentioned being interested in participating in the study completed the online questionnaire. While
200
non-respondents represented only 15% of the sample, it is possible that they held different beliefs
or had different socio-demographic characteristics compared to respondents. Unfortunately, this
information was not available in this study. Second, the majority of participants had a high level
of education and a high income. It is thus possible that the present results cannot be generalised to
the whole population of women at risk of developing GDM. Yet, in a previous systematic review,
socio-demographic variables did not appear to be determinants of FV intake in adults (Guillaumie
et al., 2010). Third, it seemed respondents did not fully understand the conceptual distinction
between facilitating factors and solutions to overcome barriers to FV consumption. Yet, both
favour or facilitate the adoption of behaviour and in some cases, a facilitating factor, such as
placing FV in plain sight on the kitchen counter, can also be a solution to a barrier, such as
forgetting to eat FV. Finally, participants’ FV intake was not measured and consequently, beliefs
about FV consumption could not be segregated according to intake or stage of change (i.e.,
adoption versus maintenance).
Lessons Learned
Pretesting the online questionnaire might have allowed us to notice beforehand that participants
were confused about the distinction between facilitating factors and solutions. The use of
interviews instead of an open-ended online questionnaire might have also prevented this confusion
as it would have made it possible to verbally explain the distinction when participants answered
the questions. Authors interested in conducting similar formative research might either pretest their
questionnaire in a small subsample, use a personal interview (one-on-one or focus groups) or only
question participants on solutions to overcome barriers to FV intake. In the present study, an online
questionnaire was used for convenience and to maximise recruitment of participants, since women
could answer the questionnaire at home and whenever they wanted. It was believed that not having
to travel to the research centre and choosing the moment to answer the questionnaire would greatly
facilitate recruitment given that the target population was comprised of mothers with young
children or pregnant women. In fact, time constraints related to childcare are often a reason why
young parents are a population difficult to recruit (Bassett-Gunter et al., 2013; Edvardsson et al.,
2011). In addition, the use of an individual online questionnaire allow each participant to freely
express themselves and prevented one individual from dominating the discussion, which can be a
downside when conducting focus groups (Leung & Savithiri, 2009).
201
While integrating the barriers into the implementation intentions questionnaire was fairly easy,
integrating the solutions mentioned by participants sometime proved difficult. First, respondents
did not state a solution for each barrier they mentioned. Only 41.7% of solutions were formulated
from the answers given by participants in this study. In future studies, it might be interesting to
use interviews where the interviewer can probe participants about solutions for each of the barriers
they mentioned or questions on solutions could be reformulated to ask a solution to each specific
barrier previously mentioned (e.g., What could allow you to overcome each barriers (solutions) to
eating at least four servings of vegetables per day in the next 30 days?). Second, some solutions
could not readily be integrated in an implementation intentions questionnaire for practicality
purposes. For example, the solution to manage time better was mentioned for both FV. However,
the use of this solution to formulate an implementation intentions question would have resulted in
an item as follows: "If I lack time, then I will manage my time better." It was felt that simply
stating this would not help women manage more efficiently their time. Therefore, the solution to
prepare FV in advance or buy pre-cut or frozen FV was chosen instead to overcome the barrier of
lack of time. Another solution that was not used to develop the implementation intentions
questionnaire was the one about family support. It would have resulted in an item as follows: "If
my family does not eat FV, then I will ask for their support". It is doubtful that simply asking for
support would have worked. We instead suggested women whose family did not eat FV to eat
them for lunch or as snacks at the office. While these two solutions could not be integrated in an
implementation intentions questionnaire, it is an indication that women at risk for GDM would
appreciate tips that would help them manage more efficiently their time and on how to obtain
support from their family. This information can be used to develop other types of interventions
aimed at promoting FV consumption among this at-risk population.
Conclusion
To our knowledge, this is the first formative research to identify both barriers and solutions to FV
consumption among women at risk of developing GDM to develop an implementation intentions
intervention questionnaire. It is hoped the present results and lessons learned will be useful to those
wishing to develop different types of interventions, including implementation intentions
interventions, aimed at increasing FV intake among this at-risk population.
202
Acknowledgements
The first author is recipient of a doctoral research award from the Canadian Institutes of Health
Research.
203
References
Adriaanse, M. A., Vinkers, C. D., De Ridder, D. T., Hox, J. J., & De Wit, J. B. (2011). Do implementation intentions help to eat a healthy diet? A systematic review and meta-analysis of the empirical evidence. Appetite, 56(1), 183-193.
Ajzen, I. (1991). The theory of planned behavior. Organ Behav Hum Decis Process, 50(2), 179-211.
Ajzen, I., & Fishbein, M. (1980). Understanding attitudes and predicting social behavior. New Jersey: Englewood Cliffs. Prentice Hall.
Bandura, A. (2004). Health promotion by social cognitive means. Health Educ Behav, 31(2), 143-164. doi:10.1177/1090198104263660
Baranowski, T., Cerin, E., & Baranowski, J. (2009). Steps in the design, development and formative evaluation of obesity prevention-related behavior change trials. Int J Behav Nutr Phys Act, 6, 6. doi:10.1186/1479-5868-6-6
Bassett-Gunter, R. L., Levy-Milne, R., Naylor, P. J., Symons Downs, D., Benoit, C., Warburton, D. E., . . . Rhodes, R. E. (2013). Oh baby! Motivation for healthy eating during parenthood transitions: a longitudinal examination with a theory of planned behavior perspective. Int J Behav Nutr Phys Act, 10, 88. doi:10.1186/1479-5868-10-88
Bellamy, L., Casas, J. P., Hingorani, A. D., & Williams, D. (2009). Type 2 diabetes mellitus after gestational diabetes: A systematic review and meta-analysis. Lancet, 373(9677), 1773-1779. doi:10.1016/s0140-6736(09)60731-5
Cavicchia, P. P., Liu, J., Adams, S. A., Steck, S. E., Hussey, J. R., Daguise, V. G., & Hebert, J. R. (2014). Proportion of gestational diabetes mellitus attributable to overweight and obesity among non-hispanic black, non-hispanic white, and hispanic women in south carolina. Matern Child Health J. doi:10.1007/s10995-014-1437-8
Chasan-Taber, L. (2015). Lifestyle interventions to reduce risk of diabetes among women with prior gestational diabetes mellitus. Best Pract Res Clin Obstet Gynaecol, 29(1), 110-122. doi:10.1016/j.bpobgyn.2014.04.019
Crawford, D., Ball, K., Mishra, G., Salmon, J., & Timperio, A. (2007). Which food-related behaviours are associated with healthier intakes of fruits and vegetables among women? Public Health Nutr, 10(3), 256-265. doi:10.1017/s1368980007246798
Edvardsson, K., Ivarsson, A., Eurenius, E., Garvare, R., Nystrom, M. E., Small, R., & Mogren, I. (2011). Giving offspring a healthy start: parents' experiences of health promotion and lifestyle change during pregnancy and early parenthood. BMC Public Health, 11, 936. doi:10.1186/1471-2458-11-936
Epton, T., Norman, P., Harris, P., Webb, T., Snowsill, F. A., & Sheeran, P. (2014). Development of theory-based health messages: Three-phase programme of formative research. Health Promot Int. doi:10.1093/heapro/dau005
Fishbein, M., & Ajzen, I. (2010). Predicting and changing behavior: The reasoned action approach. New York: Psychology Press.
Flaxman, S. M., & Sherman, P. W. (2000). Morning sickness: a mechanism for protecting mother and embryo. Q Rev Biol, 75(2), 113-148.
Francis, J. J., Johnston, M., Robertson, C., Glidewell, L., Entwistle, V., Eccles, M. P., & Grimshaw, J. M. (2010). What is an adequate sample size? Operationalising data saturation for theory-based interview studies. Psychol Health, 25(10), 1229-1245. doi:10.1080/08870440903194015
204
Gardner, R. E., & Hausenblas, H. A. (2004). Exercise and diet beliefs of overweight women participating in an exercise and diet program: An elicitation study using the theory of planned behavior. J Appl Biobehav Res, 9(3), 188-200.
Glasson, C., Chapman, K., & James, E. (2011). Fruit and vegetables should be targeted separately in health promotion programmes: differences in consumption levels, barriers, knowledge and stages of readiness for change. Public Health Nutr, 14(4), 694-701. doi:10.1017/s1368980010001643
Godinho, C. A., Alvarez, M. J., & Lima, M. L. (2013). Formative research on HAPA model determinants for fruit and vegetable intake: Target beliefs for audiences at different stages of change. Health Educ Res, 28(6), 1014-1028. doi:10.1093/her/cyt076
Graham, D. J., Pelletier, J. E., Neumark-Sztainer, D., Lust, K., & Laska, M. N. (2013). Perceived social-ecological factors associated with fruit and vegetable purchasing, preparation, and consumption among young adults. J Acad Nutr Diet, 113(10), 1366-1374. doi:10.1016/j.jand.2013.06.348
Guillaumie, L., Godin, G., & Vézina-Im, L. A. (2010). Psychosocial determinants of fruit and vegetable intake in adult population: A systematic review. Int J Behav Nutr Phys Act, 7, 12.
Hagger, M. S., & Luszczynska, A. (2013). Implementation intention and action planning interventions in health contexts: State of the research and proposals for the way forward. Applied Psychol: Health and Well-Being, 6(1), 1-47.
Hartman, H., Wadsworth, D. P., Penny, S., van Assema, P., & Page, R. (2013). Psychosocial determinants of fruit and vegetable consumption among students in a New Zealand university. Results of focus group interviews. Appetite, 65, 35-42. doi:10.1016/j.appet.2013.02.005
Haynes-Maslow, L., Parsons, S. E., Wheeler, S. B., & Leone, L. A. (2013). A qualitative study of perceived barriers to fruit and vegetable consumption among low-income populations, North Carolina, 2011. Prev Chronic Dis, 10, E34. doi:10.5888/pcd10.120206
Health Canada. (2011). Eating well with Canada's Food Guide. Ottawa: Health Canada. Hirschberg, A. L. (1998). Hormonal regulation of appetite and food intake. Ann Med, 30(1), 7-
20. Jones, E. J., Roche, C. C., & Appel, S. J. (2009). A review of the health beliefs and lifestyle
behaviors of women with previous gestational diabetes. J Obstet Gynecol Neonatal Nurs, 38(5), 516-526. doi:10.1111/j.1552-6909.2009.01051.x
Kim, C., Berger, D. K., & Chamany, S. (2007). Recurrence of gestational diabetes mellitus: A systematic review. Diabetes Care, 30(5), 1314-1319. doi:10.2337/dc06-2517
Lapointe, A., Provencher, V., Weisnagel, S. J., Begin, C., Blanchet, R., Dufour-Bouchard, A. A., . . . Lemieux, S. (2010). Dietary intervention promoting high intakes of fruits and vegetables: short-term effects on eating behaviors in overweight-obese postmenopausal women. Eat Behav, 11(4), 305-308. doi:10.1016/j.eatbeh.2010.08.005
Larson, N., Laska, M. N., Story, M., & Neumark-Sztainer, D. (2012). Predictors of fruit and vegetable intake in young adulthood. J Acad Nutr Diet, 112(8), 1216-1222. doi:10.1016/j.jand.2012.03.035
Leung, F. H., & Savithiri, R. (2009). Spotlight on focus groups. Can Fam Physician, 55(2), 218-219.
205
Lhakhang, P., Godinho, C., Knoll, N., & Schwarzer, R. (2014). A brief intervention increases fruit and vegetable intake. A comparison of two intervention sequences. Appetite. doi:10.1016/j.appet.2014.07.014
Metzger, B. E., & Coustan, D. R. (1998). Summary and recommendations of the Fourth International Workshop-Conference on Gestational Diabetes Mellitus. The Organizing Committee. Diabetes Care, 21 Suppl 2, B161-167.
Metzger, B. E., Gabbe, S. G., Persson, B., Buchanan, T. A., Catalano, P. A., Damm, P., . . . Schmidt, M. I. (2010). International association of diabetes and pregnancy study groups recommendations on the diagnosis and classification of hyperglycemia in pregnancy. Diabetes Care, 33(3), 676-682. doi:10.2337/dc09-1848
Patil, C. L., Abrams, E. T., Steinmetz, A. R., & Young, S. L. (2012). Appetite sensations and nausea and vomiting in pregnancy: an overview of the explanations. Ecol Food Nutr, 51(5), 394-417. doi:10.1080/03670244.2012.696010
Pollard, J., Greenwood, D., Kirk, S., & Cade, J. (2002). Motivations for fruit and vegetable consumption in the UK Women's Cohort Study. Public Health Nutr, 5(3), 479-486. doi:10.1079/phnphn2001311
Prochaska, J. O., & Velicer, W. F. (1997). The transtheoretical model of health behavior change. Am J Health Promot, 12(1), 38-48.
Simunaniemi, A. M., Nydahl, M., & Andersson, A. (2013). Cluster analysis of fruit and vegetable-related perceptions: an alternative approach of consumer segmentation. J Hum Nutr Diet, 26(1), 38-47. doi:10.1111/j.1365-277X.2012.01272.x
Sniehotta, F. F., Schwarzer, R., Scholz, U., & Schüz, B. (2005). Action planning and coping planning for long-term lifestyle change: Theory and assessment. Eur J Soc Psychol, 35, 565-576.
Strolla, L. O., Gans, K. M., & Risica, P. M. (2006). Using qualitative and quantitative formative research to develop tailored nutrition intervention materials for a diverse low-income audience. Health Educ Res, 21(4), 465-476. doi:10.1093/her/cyh072
Triandis, H. C. (1980). Values, attitudes and interpersonal behavior. In M. M. Page (Ed.), Nebraska Symposium on Motivation. Beliefs, Attitudes and Values (Vol. 1, pp. 195-259). Lincoln, NE: University of Nebraska Press.
Webb, T. L., Joseph, J., Yardley, L., & Michie, S. (2010). Using the internet to promote health behavior change: A systematic review and meta-analysis of the impact of theoretical basis, use of behavior change techniques, and mode of delivery on efficacy. J Med Internet Res, 12(1), e4. doi:10.2196/jmir.1376
Williams, L. K., Thornton, L., & Crawford, D. (2012). Optimising women's diets. An examination of factors that promote healthy eating and reduce the likelihood of unhealthy eating. Appetite, 59(1), 41-46. doi:10.1016/j.appet.2012.03.014
Xiao, R. S., Simas, T. A., Person, S. D., Goldberg, R. J., & Waring, M. E. (2015). Diet quality and history of gestational diabetes mellitus among childbearing women, United States, 2007-2010. Prev Chronic Dis, 12, E25. doi:10.5888/pcd12.140360
Zehle, K., Smith, B. J., Chey, T., McLean, M., Bauman, A. E., & Cheung, N. W. (2008). Psychosocial factors related to diet among women with recent gestational diabetes: Opportunities for intervention. Diabetes Educ, 34(5), 807-814. doi:10.1177/0145721708323641
206
Zhang, C., Schulze, M. B., Solomon, C. G., & Hu, F. B. (2006). A prospective study of dietary patterns, meat intake and the risk of gestational diabetes mellitus. Diabetologia, 49(11), 2604-2613. doi:10.1007/s00125-006-0422-1
207
Table 1. Barriers to Fruit and Vegetable Consumption
Fruit Intake Vegetable Intake
Beliefs N Cumulative % Beliefs N Cumulative %
1. Lack of time* 7 17.2% 1. Lack of time to cook or prepare vegetables*
14 29.2%
2. Forgetting to eat fruits* 5 29.4% 2. Being sick or tired* 7 43.7%
3. Not having fruits at home* 4 39.2% 3. Lack of motivation or being depressed*
5 54.2%
4. Lack of appetite* 3 46.5% 4. Eating at the restaurant or "on the go"* 3 60.4%
5. Not eating snacks* 3 53.8% 5. Lack of appetite or disgust for certain foods during pregnancy*
3 66.6%
6. Being sick* 3 61.1% 6. Not having vegetables at home* 3 72.8%
7. Poor quality and variety of fruits* 3 68.4% 7. My family (partner, children) does not like vegetables*
3 79.0%
8. High price of fruits* 3 75.7% 8. High price of vegetables* 3 85.2%
9. High blood sugar and fruits contain a lot of sugar
2 80.6% 9. Poor quality and variety of vegetables
2 89.4%
10. Desire to eat a sweeter desert 2 85.5% 10. I do not like the taste of vegetables 2 93.6%
11. My family (partner, children) does not like fruits
2 90.4% 11. Not planning meals 1 95.7%
12. I do not like the taste of fruits 1 92.8% 12. Forgetting to eat vegetables 1 97.8%
208
13. Being on vacations 1 95.2% 13. Recipes too complicated 1 99.9%
14. Lack of motivation 1 97.6%
15. Desire to eat an easier snack like a granola bar instead of fruits
1 100%
Note. N: number of times cited. *Modal salient beliefs. Beliefs in bold characters were mentioned for both fruit and vegetable consumption.
209
Table 2. Solutions to Overcome Barriers to Fruit and Vegetable Consumption
Fruit Intake Vegetable Intake
Beliefs N Cumulative % Beliefs N Cumulative %
1. Preparing fruits in advance (e.g. fruit salad) or buying pre-cut or frozen fruits at the grocery store*
10 18.2% 1. Preparing vegetables in advance or buying pre-cut or frozen vegetables at the grocery store*
20 35.7%
2. Eating fruits as snacks* 7 30.9% 2. Having new recipes that include vegetables*
8 50.0%
3. Having new recipes that include fruits*
7 43.6% 3. Buying more and a greater variety of vegetables at the grocery store*
8 64.3%
4. Integrating the habit of eating one fruit per meal*
6 54.5% 4. Better time management or taking the time needed to cook vegetables or to take a snack*
7 76.7%
5. Better time management (e.g., planning meals for the week) or taking the time needed for meal preparation or to take a snack*
5 63.7% 5. Integrating the habit of eating vegetables or creating a new routine
4 83.8%
6. Placing fruits in plain sight on the kitchen counter or indicating the number of portions of fruits eaten on the refrigerator*
3 69.2% 6. Having a list of portions of vegetables eaten on the refrigerator or placing vegetables in plain sight on the table or the kitchen counter
3 89.2%
7. Having fruits on hand at home and at the office*
3 74.7% 7. Family support (partner, children) 2 92.8%
210
8. Thinking about eating fruits* 3 80.2% 8. Receiving frequent reminders on the importance of eating vegetables by SMS or e-mail to maintain motivation
1 94.6%
9. Having a good quality and variety of fruits
2 83.8% 9. Having positive thoughts 1 96.4%
10. Family support (partner and children)
2 87.4% 10. Thinking about diabetes that I want to avoid
1 98.2%
11. Physical activity 1 89.2% 11. Going outside against Winter blues 1 100%
12. Adding fruits at breakfast 1 91.0%
13. Not buying or cooking sweeter deserts
1 92.8%
14. Eating fruits with chocolate (chocolate fondue) in case of sugar craving
1 94.6%
15. Writing down positive thoughts and placing them in different places
1 96.4%
16. Buying fruits that I like eating 1 98.2%
17. Not turning to unhealthy snacks to express my emotions
1 100%
Note. N: number of times cited. *Modal salient beliefs. Beliefs in bold characters were mentioned for both fruit and vegetable consumption.
211
Table 3. Implementation Intentions Items
Barriers Solutions
If I lack time… Then I will prepare FV in advance or buy pre-cut or frozen FV at the grocery store
If I am sick or tired… Then I will remind myself that FV are rich in vitamins and can give me a boost in energy*
If I tend to forget to eat FV Then I will place a reminder to eat FV on my refrigerator or at the office
If I lack motivation… Then I will remind myself that FV are good for health*
If I do not have FV at home or at the office…
Then I will buy more FV the next time I will do the groceries
If I lack appetite… Then I will split up my meals (many small meals)*
If I do not eat snacks… Then I will integrate the habit of eating FV at each meal
If I believe that the quality and variety of FV are inadequate…
Then I will buy a greater variety of seasonal FV*
If I believe that FV are expensive Then I will consult the flyer of my grocery store and look for FV on sale*
If I am outside of home (e.g., at the restaurant)…
Then I will order a salad as a side dish or a fruit salad for desert*
If my family does not eat FV… Then I will eat FV for lunch or as snacks at the office*
If I do not like the taste of FV… Then I will find new recipes that contains FV
Note. FV: fruits and vegetables. *Solutions added by the investigators
212
CHAPITRE 5: IMPLEMENTATION INTENTIONS INTERVENTION AND THE QUESTION-BEHAVIOUR EFFECT TO PROMOTE FRUIT AND VEGETABLE
INTAKE IN CHILDBEARING AGE WOMEN AT RISK FOR GESTATIONAL DIABETES MELLITUS: A RANDOMISED CONTROLLED TRIAL
Avant-propos
Il avait été prévu d’effectuer l’intervention auprès de femmes enceintes à risque de
développer du diabète gestationnel. Par contre, le recrutement de ces femmes fut très
difficile. Plusieurs stratégies ont été utilisées pour recruter des femmes enceintes à risque
de développer du diabète gestationnel telles que l’envoi de courriels à des femmes (p. ex.:
personnel féminin de l’Université Laval, femmes enceintes inscrites à des cours prénataux
au Pavillon de l’Éducation Physique et des Sports de l’Université Laval, etc.), des annonces
de recrutement sur des sites Internet (INAF et sites Internet spécialisés tels que
www.mamanpourlavie.com et www.naitreetgrandir.com) et la pose d’affiches dans les
salles d’attente d’endroits fréquentés par des femmes enceintes (p. ex.: hôpitaux, cliniques
médicales, CLSC, maison de naissance, etc.). Malgré toutes ces stratégies de recrutement,
nous avions recruté uniquement six femmes enceintes à risque de développer du diabète
gestationnel en l’espace de 8 mois. De plus, parmi ces femmes enceintes, trois ont
abandonné en cours de route par des raisons médicales (fausse-couches ou diagnostic de
diabète gestationnel avec traitement à l’insuline) et seulement une a complété l’étude en
entier. Nous avons donc modifié le protocole de recherche pour aussi cibler les femmes en
âge de procréer (18 à 44 ans) à risque de développer du diabète gestationnel. Ceci a exigé
une demande d’amendement au CER du CHU de Québec. Le questionnaire sur la
consommation de fruits et légumes de Godin et collaborateurs (2008) a tout de même pu
être utilisé chez les femmes à risque de développer du diabète gestationnel puisqu’il avait
déjà fait l’objet d’une étude de validation chez des adultes de poids normal et obèses.
Seulement une femme enceinte a complété l’intervention en entier alors seuls les résultats
chez les femmes en âge de procréer seront présentés dans cette thèse.
213
Résumé
L’objectif de l’étude était de vérifier l’efficacité d’une intervention de type activation des
intentions pour promouvoir la consommation de fruits et légumes chez des femmes en âge
de procréer à risque de développer du diabète gestationnel comparativement à un groupe
contrôle utilisant l’effet question-comportement. Il y avait uniquement un effet temps (F(2,
85)=5,69; p=0,0048). Les femmes des deux groupes ont significativement augmenté leur
consommation de légumes par rapport au début de l’étude à 3 mois (p=0,0022) et à 6 mois
(p=0,0042). L’intervention n’avait pas d’effet significatif sur le poids, le tour de taille et la
glycémie à jeun. L’activation des intentions et l’effet question-comportement semblent être
des techniques efficaces pour promouvoir la consommation de légumes chez des femmes
en âge de procréer à risque de développer du diabète gestationnel.
214
Abstract
This randomised controlled trial verified the efficacy of an implementation intentions
intervention (n=24) to promote fruit and vegetable consumption among childbearing age
women at risk for gestational diabetes mellitus against a control condition based on the
question-behaviour effect (n=26). There was only a significant time effect (F(2,85)=5.69,
p=0.0048). Both groups increased their vegetable consumption compared to baseline at 3
months (p=0.0022) and 6 months (p=0.0042). There were no significant effects on weight,
waist circumference and blood glucose levels. Implementation intentions and the question-
behaviour effect appear to be effective behaviour change techniques to promote vegetable
intake among this high-risk population.
215
Background
Gestational diabetes mellitus (GDM) is a glucose intolerance that occurs or is diagnosed
for the first time during pregnancy (Metzger and Coustan, 1998). Women who had GDM
are at high risk of developing type 2 diabetes (T2D) after their pregnancy (Bellamy et al.,
2009; Ben-Haroush et al., 2004; Kim et al., 2002). Later, children exposed in-utero are at
risk of developing obesity (Harreiter et al., 2014; Kim et al., 2012; Nehring et al., 2013)
and T2D (Clausen et al., 2008). The prevalence of GDM is on the rise worldwide (Ferrara,
2007). In the United States, the prevalence of GDM is estimated to vary between 4.6 and
9.2% (Bardenheier et al., 2015; Correa et al., 2015; DeSisto et al., 2014; Jovanovic et al.,
2015; Lynch et al., 2015). In Canada, the prevalence of GDM among non-Native women
is estimated between 2.2 and 3.7% (Aljohani et al., 2008; Dyck et al., 2002; Shen et al.,
2015).
A healthy diet high in fruit and vegetables (FV) has been shown to have a protective effect
against the development of GDM (Zhang et al., 2006). FV consumption can also protect
against the development of T2D after a diagnosis of GDM (Tobias et al., 2012).
Unfortunately, only between 5 and 32% of women with a history of GDM would eat the
five servings of FV a day recommended by World Health Organisation (2003) (Kieffer et
al., 2006; Kim et al., 2007; Persson et al., 2015; Zehle et al., 2008).
Implementation intentions (II) is a behaviour change technique that originates from the
“Rubicon” Model of Action Phases (Heckhausen and Gollwitzer, 1987). It implies
formulating an “if-then” plan in the form of if situation X arises then I will adopt behaviour
Y (Gollwitzer, 1999). II is a post-motivational strategy that is designed for individuals with
a high intention to adopt a given behaviour, but who failed to act out on their positive
intention (Sheeran et al., 2005). This last occurrence is known as the “intention-behaviour
gap” (Sheeran, 2002). II can be used to link potential elements that can hinder behaviour
adoption or maintenance (i.e., barriers) to solutions to overcome these barriers (e.g., If I
meet barrier X then I will adopt solution Y) (Hagger and Luszczynska, 2014; Kwasnicka
et al., 2013; Sniehotta et al., 2005). This last strategy allows individuals to overcome
216
barriers than can impede the adoption or maintenance of a given behaviour by helping them
prepare in advance an appropriate response (Sniehotta et al., 2005). II can either be self-
administered (in a questionnaire-based format) or it can be completed with the assistance
of a trained interviewer. Results of a recent systematic review/meta-analysis indicated that
II is an effective behaviour change technique to promote healthy eating among the general
population with a medium effect size (d = 0.51) (Adriaanse et al., 2011). Results of a recent
study also suggest that a self-regulatory intervention using II is more effective in increasing
FV consumption than a motivational intervention among a population of young adults
(Lhakhang et al., 2014).
Simply completing a questionnaire on cognitions related to a given behaviour can also
change behaviour, a phenomenon more recently labelled as the “question-behaviour effect”
(QBE) (Sprott et al., 2006). Results of a recent systematic review/meta-analysis indicated
that the QBE has a significant impact on health behaviours, which represented a small
effect size (d = 0.09) (Rodrigues et al., 2015). One psychosocial construct that is often
responsible for the QBE are behavioural intentions. In fact, a recent meta-analysis found
that intention and self-prediction questions were effective to change behaviour with a small
effect size (d = 0.24) (Wood et al., 2015). Given that increasingly more studies are
identifying the presence of a QBE for different health behaviours, there is a need to verify
whether II are more effective in changing behaviour than simply completing a
questionnaire on cognitions. Previous studies on blood donation have found conflicting
results with some studies reporting that II was more effective than the QBE (Godin et al.,
2013; Godin, Sheeran, et al., 2010) and another reporting that the QBE can be as effective
as forming II to change this behaviour (Godin et al., 2014).
To our knowledge, no study has ever tested the efficacy of an II intervention to promote
FV intake in childbearing age women at risk for GDM compared to a QBE control
condition. The objective of the present study is thus to verify the efficacy of a
questionnaire-based II intervention to promote FV consumption among childbearing age
217
women at risk for GDM against a control condition based on the QBE. Secondary outcomes
include weight, waist circumference and fasting glycaemia.
Methods
Study Design and Participants
The study included an experimental (II) and a control (QBE) group. Women were
randomly assigned to either the II or QBE group by assigning random numbers from
computer-generated random number tables to the treatment conditions. The population
under study consisted of childbearing age women at risk for GDM. To participate to the
study, women had to be between the ages of 18 and 44 years old (i.e., defined as
childbearing age according to the Centres for Disease Control and Prevention (2015)) and
be overweight or obese (body mass index [BMI] ≥ 25 kg/m2) and/or have had a diagnosis
of GDM in a previous pregnancy (Canadian Diabetes Association Clinical Guidelines
Expert Committee, 2013). Participants were recruited from the end of February to mid-
June 2015 through e-mails sent to female students and employees of the local university.
The study was reviewed and approved by the Research Ethics Committee of the Centre
hospitalier universitaire (CHU) de Quebec and all women gave their written consent prior
to their inclusion in the study.
Protocol
The intervention was delivered at baseline and there were two follow-up assessments at 3
and 6 months post-intervention. The protocol included two visits at the research centre
(baseline and 6 months) and a mailing at 3 months. FV intake was self-reported at baseline,
3 and 6 months while anthropometric and blood measures were measured at baseline and
6 months only.
At baseline, women’s visit at the research centre included a fasting blood sample,
anthropometric measurements (weight, height and waist circumference), a validated semi-
quantitative food-frequency questionnaire administered by a trained registered dietitian
(Goulet et al., 2004), a validated self-administered questionnaire assessing FV intake in
218
terms of servings/day (Godin et al., 2008) and a self-administered intervention
questionnaire (version A or B depending on the assigned group). Visits lasted on average
60-75 minutes. A mailing was chosen for the 3 month follow-up to minimise transportation
burden and maximise participant retention throughout the entire study. At 3 months, all
women, regardless of their group assignment, received a mailing containing the
questionnaire assessing FV intake, version B of the intervention questionnaire to verify
differences in beliefs and a pre-paid pre-addressed return envelope. At 6 months, the visit
at the research centre was similar to the one at baseline, except that all participants
answered version B of the intervention questionnaire to assess differences in beliefs one
last time. The 6-month visits lasted on average 50 minutes.
A questionnaire-based format was chosen for the II task to have a mode of delivery
comparable to the QBE condition and also to make it easier and cheaper to implement on
a large scale in case it were effective to increase FV intake. The intervention questionnaire
(version A) contained the following three sections: 1) beliefs on FV (intention and self-
efficacy), 2) sociodemographic data (age, weight, height, desire to have children, number
of children, ethnicity, level of education and family income) and 3) II. The II task was
completed at baseline only. Women in the QBE group completed an intervention
questionnaire (version B) that contained only the first two sections (beliefs and
sociodemographic data).
Fasting glucose levels were measured by enzyme technology (Richterich and Dauwalder,
1971). Weight was measured in kg without shoes and with participants dressed in light
clothes using a Tanita BWB-800-5 scale. Height was measured in cm without shoes using
a fathom marked to the nearest 0.1 cm. Weight and height were used to calculate women’s
BMI (kg/m2). A BMI > 18.5 < 25 kg/m2 was considered normal while a BMI > 25 kg/m2
was considered overweigh/obesity (Health Canada, 2003). Waist circumference was
measured three times in cm at the top of the iliac crest using a measuring tape marked to
the nearest 0.5 cm (Lochman et al., 1988). The mean of the three values was used.
219
Implementation Intentions Intervention
Version A of the intervention questionnaire contained a task which required women in the
experimental group to use II as a self-regulatory strategy to overcome barriers to FV intake.
This section of the questionnaire included a table containing a list of potential barriers to
FV consumption on one side and a list of potential solutions on the other side. To develop
the content of this questionnaire, formative research was carried out whereby 28 women at
risk for GDM were interviewed about potential barriers and solutions to overcome these
barriers to FV intake. The most important barriers and solutions were identified using a
75% criterion (Ajzen and Fishbein, 1980).
The questionnaire contained 12 barriers and one space to write down a barrier not already
mentioned in the table. Each barrier was preceded by “if”. Examples of barriers were lack
of time, forgetfulness and not having FV at home or at the office. The questionnaire also
contained 12 solutions and one space to write down a new solution to overcome barriers to
FV consumption. Each solution was preceded by “then”. Examples of solutions were
preparing FV ahead or buying pre-cut or frozen FV at the grocery store, putting a reminder
on the refrigerator or at the office and buying more FV at the grocery store. Participants
were instructed to link each barrier that personally applied to them to a solution to
overcome it (e.g., If I lack time, then I will buy pre-cut or frozen FV at the grocery store).
A same solution could be used for many barriers.
Question-Behaviour Effect Condition
Versions A and B of the intervention questionnaire both contained a section measuring
beliefs about FV intake. At the beginning of the questionnaire, participants were told that
Canada’s Food Guide recommends eating at least 7-8 servings of FV per day for women
aged 19 to 50 years. A definition of a serving of fruit or vegetable based on Canada’s Food
Guide was also provided. Beliefs concerning fruit were measured separately from those
concerning vegetables given that there is evidence that they differ for each food category
(Glasson et al., 2011). Intention and self-efficacy were the two beliefs measured, since they
are the main determinants of FV intake in adults (Guillaumie et al., 2010). All cognitive
220
items were measured with 5-point Likert-type scales (strongly / somewhat disagree, neither
disagree nor agree, somewhat / strongly agree).
Intention to eat vegetables was measured using the following three items: (1) “I intend to
eat at least 4 servings of vegetables a day in the next 30 days”; (2) “I will eat at least 4
servings of vegetables a day in the next 30 days”; (3) “I will try to eat at least 4 servings of
vegetables a day in the next 30 days (α = 0.86).” Intention to eat fruit was measured using
the following three items: (1) “I intend to eat at least 3 servings of fruit a day in the next
30 days”; (2) “I will eat at least 3 servings of fruit a day in the next 30 days”; (3) “I will try
to eat at least 3 servings of fruit a day in the next 30 days (α = 0.85).”
Self-efficacy for eating vegetables was measured using the following seven items: “I feel
capable of eating at least 4 servings of vegetables a day in the next 30 days even if… (1) I
do not have time to cook or prepare vegetables”; (2) I feel sick, tired or I have digestive
problems”; (3) I lack motivation or feel depressed”; (4) I eat at the restaurant or “on the
go”; (5) I do not have vegetables at home”; (6) My family (partner, children) do not like or
do not eat vegetables”; (7) I believe that vegetables are expensive (α = 0.71).” Self-efficacy
for eating fruit was measured using the following eight items: “I feel capable of eating at
least 3 servings of fruit a day in the next 30 days even if… (1) I do not have time”; (2) I
forget to eat fruit”; (3) I do not have fruit at home”; (4) I lack appetite”; (5) I do not eat
snacks”; (6) I am sick”; (7) I find the quality and variety of fruit is inadequate”; (8) I believe
fruits are expensive (α = 0.84).”
Statistical Analyses
Descriptive statistics were used to describe the sample at baseline. Equivalence of the II
and QBE groups at baseline (i.e., randomisation checks) was verified using t-test analyses
for continuous variables and chi-square analyses for dichotomous variables. Reliability of
the intention and self-efficacy items in the intervention questionnaire was verified by
computing Cronbach’s (1951) alpha coefficients. The effect of the intervention on
behaviour, anthropometric and blood measures at 3 and 6 months was verified using 2
221
(condition) × 3 (time) repeated-measures mixed model ANOVAs. The first-order
autoregressive covariance structure was chosen given that it had the best fit indices (AIC
and BIC) compared to other covariance patterns (Brown and Prescott, 1999). All statistical
analyses were computed using SAS version 9.4 (SAS Institute, Cary, NC, USA).
Results
Flow of Participants, Baseline Sample Characteristics and Randomisation Checks
Fifty-six eligible women expressed interest in participating in the study and were
randomised to either the II or the QBE group (see Figure 1 for the complete flow of
participants). Fifty participants completed the baseline visit at the research centre (response
rate: 89.3%), 44 respondents completed and returned the documents at the 3-month follow-
up (attrition rate: 12.0%) and 45 women completed the last visit at the research centre at
the 6-month follow-up (attrition rate: 10%). All women, regardless of whether they had
completed or not the documents at 3 months, were called to schedule their 6-month visit
which is why the response rate is a bit higher at 6 months compared to 3 months. Response
and attrition rates were similar for the II and QBE groups. At baseline, women who did not
complete the documents at 3 months were similar to those who completed the study in
terms of age (t(48) = 1.21, p = 0.2314) and BMI (t(47) = -1.36, p = 0.1812), but their mean
FV intake was significantly higher compared to completers (6.89 ± 2.69 vs. 4.92 ± 1.71
servings/day; t(48) = 2.47, p = 0.0172). Women who did not complete the last visit at 6
months were similar at baseline to those who completed the study in terms of age, BMI
and mean FV intake (all ps > 0.05).
The majority of participants were Caucasian women in their early thirties who had a high
level of education (see Table 1 for the complete sample characteristics). Baseline
anthropometric measurements (BMI and waist circumference) and blood samples
confirmed that the sample was at risk for GDM and T2D. The majority of respondents also
had a high level of intention to eat FV, but their mean FV intake was insufficient to meet
Canada’s Food Guide recommendation of 7 servings of FV per day—thus confirming the
presence of an “intention-behaviour gap” and at the same time justifying the use of a post-
222
motivational strategy such as II. Randomisation checks indicated no significant differences
between the II and QBE groups.
Effect of the Intervention on Behaviour
There was no group effect (F(1,48) = 0.10, p = 0.7583) and no group × time effect (F(2,85)
= 0.55, p = 0.5796), but a significant time effect (F(2,85) = 5.69, p = 0.0048) for FV intake.
Post-hoc contrast analyses revealed significant time effects when baseline results were
compared to those at 3 months (t(85) = -3.16, p = 0.0022) and those at 6 months (t(85) = -
2.94, p = 0.0042), but not between the 3- and 6-month assessments (t(85) = -0.68, p =
0.5013). At 3 and 6 months, the II and the QBE group significantly increased their FV
intake compared to baseline (see Table 2). This time effect for the II and the QBE group
was not due to a significant increase in fruit consumption (F(2,85) = 1.79, p = 0.1727), but
to a significant increase in vegetable consumption (F(2,85) = 3.21, p = 0.0453). Participants
in the II and the QBE group significantly increased their vegetable intake, compared to
baseline, at 3 months and 6 months.
Effect of the Intervention on Anthropometric and Blood Measures
There was no group, no time and no group × time effect for any of the anthropometric
measures (all ps > 0.05). Weight, BMI and waist circumference remained stable at 6
months in the II and QBE groups (see Table 2). In addition, there was no group, no time
and no group × time effect for fasting glucose levels (p > 0.05). Blood glucose levels also
remained stable at 6 months in the II and QBE groups.
Discussion
Both II and the QBE appear to be effective behaviour change techniques to promote FV—
especially vegetable—intake in childbearing age women at risk for GDM. This effect was
sustained at 3 and 6 months post intervention. In contrast, results of previous studies on
blood donation indicated that II was more effective than the QBE to change this behaviour
(Godin et al., 2013; Godin et al., 2010). However, a more recent study also found that the
QBE was as effective as II to promote the return of lapsed blood donors (Godin et al.,
223
2014). In this study, answering questions on intention (declarative or interrogative) or
intention and other constructs (anticipated regret and positive self-image) was equally
effective as completing an II task to promote blood donation over a 15-month period. This
is similar to the present study which found that completing an II task had similar effects on
FV consumption than answering questions on intention and self-efficacy. These results
suggest that II and the QBE can be effective behaviour change techniques to promote
various health behaviours (Adriaanse et al., 2011; Wood et al., 2015; Rodrigues et al.,
2015), including increasing FV intake.
In previous studies comparing II to the QBE, response rates were consistently lower when
respondents had to complete an II task compared to simply a questionnaire on cognitions
(Godin et al., 2014; Godin et al., 2010; Godin et al., 2013). Yet, in the present study,
attrition rates did not vary much by experimental condition suggesting that completing the
II task at baseline, which required additional time and effort, did not discourage women in
the II group from completing the rest of the study. These differences might be explained
by the fact that, in previous studies, questionnaires used for the QBE and the II conditions
were mailed while in the present study, participants had to come to the research centre to
complete the questionnaires. Therefore, asking participants to complete the questionnaires
onsite can be an effective way to decrease differences in response rates between II and the
QBE, although this could also lead to a response bias whereby only more motivated
individuals are willing to travel and come to the research centre.
One interesting finding of this study is that II and the QBE were especially effective in
promoting vegetable intake compared to fruit consumption. This result is similar to another
study whose own results indicated that a self-affirmation task led to a significant increase
of vegetable intake only at a 4-week follow-up even though both FV intake were targeted
in their intervention (Pietersma and Dijkstra, 2011). In the present study, the intention and
the self-efficacy items in the QBE condition targeted both FV intake while the barriers and
solutions provided in the II task could equally be used for fruit or vegetable consumption.
The only hint that could have encouraged participants to eat more vegetables compared to
224
fruit was in the questionnaire on cognitions in which items on vegetables referred to eating
4 servings of vegetables while those on fruit referred to eating 3 servings of fruit. These
numbers of servings were chosen to reflect the minimum number of servings per day
recommended by Canada’s Food Guide and also because it recommends eating more
vegetables than fruit. Some respondents could have interpreted this as a recommendation
to eat more vegetables than fruit.
This study presents a number of limitations. The main limitation is the small sample size.
The majority of participants were young women with children and previous studies indicate
that young parents are a population difficult to recruit because of time constraints related
to childcare (Bassett-Gunter et al., 2013; Edvardsson et al., 2011). However, the response
rate was good and the attrition rate was very low. In fact, only five women (2 in the II
group and 3 in the QBE group) did not complete the visit at the research centre at 6 months,
suggesting the majority of participants did not find the study too burdensome.
Another limitation of the present study is that behaviour was self-reported while previous
studies investigating the presence of a QBE compared to II (Godin et al., 2013; Godin et
al., 2014; Godin et al., 2010) used objective measures of behaviour. It is worth noting that
previous studies were in the field of blood donation where getting an objective measure of
behaviour is easier than collecting data on FV intake. Still, the use of a self-reported
measure may have resulted in measurement reactivity or a Hawthorne effect and may
explain why a time effect was observed in our study (McCambridge, 2015). Women could
have reported higher FV consumption over time to project a positive image. Future studies
should at least include a no-treatment condition to control for a possible Hawthorne effect
when investigating the presence of a QBE.
To conclude, II and the QBE appear to be effective behaviour change techniques to
promote vegetable intake in childbearing age women at risk for GDM, although studies
with larger sample sizes are needed to confirm the present findings. To our knowledge, this
is the first randomised controlled trial to test the efficacy of an II intervention against a
225
QBE condition to promote FV consumption among childbearing age women at risk for
GDM. It is hoped that the present findings will encourage more studies comparing the
efficacy of II to the QBE for various health behaviours and also among at-risk populations.
226
Acknowledgements
The authors would like to thank the women who participated to the study. The authors
would also like to acknowledge the contribution of Aurélien Nicosia and Hélène Crépeau
of Laval University Statistics Consultation Service and Stéphane Turcotte of the Clinical
Research Platform of the CHU de Québec for their assistance in conducting the statistical
analyses. Lydi-Anne Vézina-Im is recipient of a doctoral research award from the Canadian
Institutes of Health Research.
227
References Adriaanse MA, Vinkers CD, De Ridder DT, et al. (2011) Do implementation intentions
help to eat a healthy diet? A systematic review and meta-analysis of the empirical evidence. Appetite 56: 183-193.
Ajzen I and Fishbein M. (1980) Understanding attitudes and predicting social behavior, New Jersey: Englewood Cliffs. Prentice Hall.
Aljohani N, Rempel BM, Ludwig S, et al. (2008) Gestational diabetes in Manitoba during a twenty-year period. Clin Invest Med 31: E131-137.
Bardenheier BH, Imperatore G, Gilboa SM, et al. (2015) Trends in Gestational Diabetes Among Hospital Deliveries in 19 U.S. States, 2000-2010. Am J Prev Med 49: 12-19.
Bassett-Gunter RL, Levy-Milne R, Naylor PJ, et al. (2013) Oh baby! Motivation for healthy eating during parenthood transitions: a longitudinal examination with a theory of planned behavior perspective. Int J Behav Nutr Phys Act 10: 88.
Bellamy L, Casas JP, Hingorani AD, et al. (2009) Type 2 diabetes mellitus after gestational diabetes: a systematic review and meta-analysis. Lancet 373: 1773-1779.
Ben-Haroush A, Yogev Y and Hod M. (2004) Epidemiology of gestational diabetes mellitus and its association with Type 2 diabetes. Diabet Med 21: 103-113.
Brown H and Prescott R. (1999) Applied mixed models in medicine, New York: John Wiley & Sons.
Canadian Diabetes Association Clinical Guidelines Expert Committee. (2013) Canadian Diabetes Association 2013 Clinical Practice Guidelines for the Prevention and Management of Diabetes in Canada. Can J Diabetes 37: S1-S212.
Centers for Disease Control and Prevention. (2015) Appendix: Indicator Measurement Definitions Available at: http://www.cdc.gov/mmwr/preview/mmwrhtml/rr6401a2.htm.
Clausen TD, Mathiesen ER, Hansen T, et al. (2008) High prevalence of type 2 diabetes and pre-diabetes in adult offspring of women with gestational diabetes mellitus or type 1 diabetes: the role of intrauterine hyperglycemia. Diabetes Care 31: 340-346.
Correa A, Bardenheier B, Elixhauser A, et al. (2015) Trends in prevalence of diabetes among delivery hospitalizations, United States, 1993-2009. Matern Child Health J 19: 635-642.
Cronbach LJ. (1951) Coefficient Alpha and the Internal Structure of Tests. Psychometrika 16: 297-334.
DeSisto CL, Kim SY and Sharma AJ. (2014) Prevalence estimates of gestational diabetes mellitus in the United States, Pregnancy Risk Assessment Monitoring System (PRAMS), 2007-2010. Prev Chronic Dis 11: E104.
Dyck R, Klomp H, Tan LK, et al. (2002) A comparison of rates, risk factors, and outcomes of gestational diabetes between aboriginal and non-aboriginal women in the Saskatoon health district. Diabetes Care 25: 487-493.
Edvardsson K, Ivarsson A, Eurenius E, et al. (2011) Giving offspring a healthy start: parents' experiences of health promotion and lifestyle change during pregnancy and early parenthood. BMC Public Health 11: 936.
228
Ferrara A. (2007) Increasing prevalence of gestational diabetes mellitus: a public health perspective. Diabetes Care 30 Suppl 2: S141-146.
Glasson C, Chapman K and James E. (2011) Fruit and vegetables should be targeted separately in health promotion programmes: differences in consumption levels, barriers, knowledge and stages of readiness for change. Public Health Nutr 14: 694-701.
Godin G, Amireault S, Vezina-Im LA, et al. (2013) Implementation intentions intervention among temporarily deferred novice blood donors. Transfusion 53: 1653-1660.
Godin G, Bélanger-Gravel A, Paradis A-M, et al. (2008) A simple method to assess fruit and vegetable intake among obese and non-obese individuals. Can J Public Health 99: 494-498.
Godin G, Germain M, Conner M, et al. (2014) Promoting the return of lapsed blood donors: a seven-arm randomized controlled trial of the question-behavior effect. Health Psychol 33: 646-655.
Godin G, Sheeran P, Conner M, et al. (2010) Which survey questions change behavior? Randomized controlled trial of mere measurement interventions. Health Psychol 29: 636-644.
Gollwitzer PM. (1999) Implementation intentions: Strong effects of simple plans. Am Psychol 54: 493-503.
Goulet J, Nadeau G, Lapointe A, et al. (2004) Validity and reproducibility of an interviewer-administered food frequency questionnaire for healthy French-Canadian men and women. Nutr J 3: 13.
Guillaumie L, Godin G and Vézina-Im LA. (2010) Psychosocial determinants of fruit and vegetable intake in adult population: a systematic review. Int J Behav Nutr Phys Act 7: 12.
Hagger MS and Luszczynska A. (2014) Implementation intention and action planning interventions in health Contexts: State of the research and proposals for the way forward. Appl Psychol Health Well Being 6: 1-47.
Harreiter J, Dovjak G and Kautzky-Willer A. (2014) Gestational diabetes mellitus and cardiovascular risk after pregnancy. Womens Health (Lond Engl) 10: 91-108.
Health Canada. (2003) Canadian Guidelines for Body Weight Classification in Adults. Ottawa: Health Canada.
Heckhausen H and Gollwitzer PM. (1987) Thought contents and cognitive functioning in motivational versus volitional states of mind. Motivation and Emotion 11: 101-120.
Jovanovic L, Liang Y, Weng W, et al. (2015) Trends in the incidence of diabetes, its clinical sequelae, and associated costs in pregnancy. Diabetes Metab Res Rev 31: 707-716.
Kieffer EC, Sinco B and Kim C. (2006) Health behaviors among women of reproductive age with and without a history of gestational diabetes mellitus. Diabetes Care 29: 1788-1793.
Kim C, McEwen LN, Piette JD, et al. (2007) Risk perception for diabetes among women with histories of gestational diabetes mellitus. Diabetes Care 30: 2281-2286.
Kim C, Newton KM and Knopp RH. (2002) Gestational diabetes and the incidence of type 2 diabetes: a systematic review. Diabetes Care 25: 1862-1868.
229
Kim SY, Sharma AJ and Callaghan WM. (2012) Gestational diabetes and childhood obesity: what is the link? Curr Opin Obstet Gynecol 24: 376-381.
Kwasnicka D, Presseau J, White M, et al. (2013) Does planning how to cope with anticipated barriers facilitate health-related behaviour change? A systematic review. Health Psychol Rev 7: 129-145.
Lhakhang P, Godinho C, Knoll N, et al. (2014) A brief intervention increases fruit and vegetable intake. A comparison of two intervention sequences. Appetite.
Lochman TG, Roche AF and Martorell R. (1988) Anthropometric standardization reference manual, Champaign, IL: Human Kinetics Books.
Lynch CP, Baker N, Korte JE, et al. (2015) Increasing prevalence of diabetes during pregnancy in South Carolina. J Womens Health (Larchmt) 24: 316-323.
McCambridge J. (2015) From question-behaviour effects in trials to the social psychology of research participation. Psychol Health 30: 72-84.
Metzger BE and Coustan DR. (1998) Summary and recommendations of the Fourth International Workshop-Conference on Gestational Diabetes Mellitus. The Organizing Committee. Diabetes Care 21 Suppl 2: B161-167.
Nehring I, Chmitorz A, Reulen H, et al. (2013) Gestational diabetes predicts the risk of childhood overweight and abdominal circumference independent of maternal obesity. Diabet Med 30: 1449-1456.
Persson M, Winkvist A and Mogren I. (2015) Lifestyle and health status in a sample of Swedish women four years after pregnancy: a comparison of women with a history of normal pregnancy and women with a history of gestational diabetes mellitus. BMC Pregnancy Childbirth 15: 57.
Pietersma S and Dijkstra A. (2011) Do behavioural health intentions engender health behaviour change? A study on the moderating role of self-affirmation on actual fruit intake versus vegetable intake. Br J Health Psychol 16: 815-827.
Richterich R and Dauwalder H. (1971) [Determination of plasma glucose by hexokinase-glucose-6-phosphate dehydrogenase method]. Schweiz Med Wochenschr 101: 615-618.
Rodrigues AM, O'Brien N, French DP, et al. (2015) The question-behavior effect: Genuine effect or spurious phenomenon? A systematic review of randomized controlled trials with meta-analyses. Health Psychol 34: 61-78.
Sheeran P. (2002) Intention-behavior relations: A conceptual and empirical review. Eur Rev Soc Psychol 12: 1-36.
Sheeran P, Webb TL and Gollwitzer PM. (2005) The interplay between goal intentions and implementation intentions. Pers Soc Psychol Bull 31: 87-98.
Shen GX, Shafer LA, Martens PJ, et al. (2015) Does First Nations ancestry modify the association between gestational diabetes and subsequent diabetes: a historical prospective cohort study among women in Manitoba, Canada. Diabet Med.
Sniehotta FF, Schwarzer R, Scholz U, et al. (2005) Action planning and coping planning for long-term lifestyle change: theory and assessment. Eur J Soc Psychol 35: 565-576.
Sprott DE, Spangenberg ER, Block LG, et al. (2006) The question–behavior effect: What we know and where we go from here. Soc Influ 1: 128-137.
230
Tobias DK, Hu FB, Chavarro J, et al. (2012) Healthful dietary patterns and type 2 diabetes mellitus risk among women with a history of gestational diabetes mellitus. Arch Intern Med 172: 1566-1572.
Wood C, Conner M, Miles E, et al. (2015) The Impact of Asking Intention or Self-Prediction Questions on Subsequent Behavior: A Meta-Analysis. Pers Soc Psychol Rev.
World Health Organisation. (2003) Diet, nutrition and the prevention of chronic diseases: Report of the joint WHO/FAO expert consultation. Geneva: World Health Organisation.
Zehle K, Smith BJ, Chey T, et al. (2008) Psychosocial factors related to diet among women with recent gestational diabetes: opportunities for intervention. Diabetes Educ 34: 807-814.
Zhang C, Liu S, Solomon CG, et al. (2006) Dietary fiber intake, dietary glycemic load, and the risk for gestational diabetes mellitus. Diabetes Care 29: 2223-2230.
231
Figure 1. Flow of Participants
Expressed interest in participating
(n=56)
Randomised to II group (n=27)
Randomised to QBE group (n=29)
Completed first visit at baseline (n=24)
Completed first visit at baseline (n=26)
Completed documents at 3 months
(n=21)
Completed documents at 3 months
(n=23)
Completed second visit at 6 months
(n=22)
Completed second visit at 6 months
(n=23)
232
Table 1. Baseline Characteristics (n = 50)
Variables Mean±standard deviation or % P-values II (n = 24) QBE (n = 26) Age (years) 33.0±7.0 33.8±6.6 0.66 Want to have children 54.2 46.2 0.57 Number of children 0 1 ≥2
41.7 16.6 41.7
34.6 11.5 53.9
0.65
Caucasian ethnicity 87.5 88.5 0.30 Own university degree 66.7 57.7 0.42 Annual family income (CA$) 0-100 000
70.8
72.7
0.75
Intention (scale of 1 to 5) Fruit intake* Vegetable intake†
4.1±0.8 3.9±1.0 4.2±0.8
4.1±0.6 4.2±0.6 4.0±0.9
0.87 0.15 0.27
Self-efficacy (scale of 1 to 5) Fruit intake* Vegetable intake†
3.5±0.6 3.6±0.6 3.5±0.8
3.4±0.6 3.3±0.6 3.4±0.8
0.33 0.14 0.66
Fruit (servings/day) 2.3±1.2 2.2±1.2 0.80 Vegetables (servings/day) 2.8±1.0 3.0±1.5 0.51 FV (servings/day) 5.1±1.6 5.2±2.2 0.80 Weight (kg) 80.8±2.7 79.0±20.0 0.69 BMI (kg/m2) 29.6±3.8 29.3±6.7 0.82 Waist circumference (cm) 95.8±9.5 95.6±4.4 0.94 Fasting blood glucose (mmol/L) 5.3±0.5 5.8±2.1 0.22
Note. BMI: body mass index; FV: fruit and vegetables; GDM: gestational diabetes mellitus; II: implementation intentions; QBE: question-behaviour effect. *Intention or self-efficacy to eat at least 3 servings of fruit a day in the next 30 days. †Intention or self-efficacy to eat at least 4 servings of vegetables a day in the next 30 days.
233
Table 2. Fruit and Vegetable Intake, and Anthropometric and Blood Measures (n = 45) Outcomes Mean±standard deviation II QBE Baseline
(n=22) 3 months (n=21)
6 months (n=22)
Baseline (n=24)
3 months (n=23)
6 months (n=23)
Fruit (servings/day) 2.36±1.23a 2.52±1.14a 2.69±1.27±a 2.15±1.23a 2.47±1.43a 2.44±1.05a Vegetables (servings/day) 2.77±1.00a 3.32±1.39b 3.44±1.22b,c 2.79±1.17a,b,c,d 2.88±1.13a,b,c,d,e 3.20±1.28a,b,c,e FV (servings/day) 5.12±1.68a 5.84±2.19b 6.13±1.85b,c 4.95±1.86a,b,c,d 5.36±2.04a,b,c,d,e 5.64±1.55a,b,c,e Weight (kg) 80.99±12.70a N/A 81.01±12.22a 79.19±21.24a N/A 78.99±21.67a BMI (kg/m2) 29.55±3.96a N/A 29.65±4.00a 29.58±7.07a N/A 29.46±7.26a Waist circumference (cm) 95.95±9.51a N/A 95.39±9.35a 95.80±14.94a N/A 96.22±15.68a Fasting blood glucose (mmol/L) 5.28±0.46a N/A 5.11±0.53a 5.83±2.28a N/A 5.50±0.94a
Note. Means or percentages per row that do not share the same subscript differ significantly (p < 0.05). BMI: body mass index; FV: fruit and vegetables; II: implementation intentions; N/A: not available. QBE: question-behaviour effect.
234
CHAPITRE 6: DISCUSSION
L’objectif général de la thèse était d’identifier des moyens novateurs afin de promouvoir la
saine alimentation, soit la consommation de fruits et légumes, chez des femmes à risque de
développer du diabète gestationnel. L’Intervention Mapping a servi de cadre pour planifier
les étapes nécessaires au développement de l’intervention. Pour atteindre l’objectif de la
thèse, quatre projets de recherche distincts, mais complémentaires ont été réalisés, soit une
revue systématique, une étude de validation, une recherche formative et une étude
d’intervention.
6.1 Principaux constats
La revue systématique sur les mesures auto-déclarées de l’alimentation chez les femmes
enceintes a permis d’identifier que les deux outils à privilégier chez cette population sont le
FFQ et le journal alimentaire, car ceux-ci avaient les plus fortes preuves de validité. Le FFQ
avait aussi les plus fortes preuves de fidélité chez les femmes enceintes. Les résultats de
l’étude sur la validation du court questionnaire de Godin et collaborateurs (2008) sur la
consommation de fruits et légumes indiquent que cet instrument a une validité et une fidélité
acceptables chez des femmes enceintes. Il semble toutefois sous-estimer la quantité de fruits
et légumes consommée comparativement à un FFQ et un journal alimentaire de 3 jours. Ces
deux études ont permis de prévoir l’étape de l’évaluation de l’intervention, une étape qui
selon les auteurs de l’Intervention mapping devrait être planifiée dès le début du
développement de l’intervention (Kok et al., 2004).
La recherche formative pour le développement de l’outil d’intervention a permis d’identifier
le manque de temps comme la principale barrière à la consommation de fruits et légumes
chez des femmes à risque de développer du diabète gestationnel. La principale solution, soit
préparer les fruits et légumes à l’avance, était aussi reliée au manque de temps. Malgré que
les barrières et les solutions pour surmonter celles-ci étaient mesurées séparément pour les
fruits et les légumes, il semble y avoir plusieurs similarités entre les croyances pour les fruits
et celles pour les légumes. Parmi les barrières communes à la consommation de fruits et
légumes, il y avait l’oubli, le manque de motivation, ne pas avoir de fruits et légumes à la
maison et leur prix élevé. Il y avait toutefois quelques barrières spécifiques aux fruits ou aux
235
légumes. Par exemple, ne pas manger de collations était une barrière spécifique aux fruits
alors que manger au restaurant ou «sur le pouce» était une barrière spécifique aux légumes.
Parmi les solutions communes à la consommation de fruits et de légumes, il y avait avoir de
nouvelles recettes qui incluent des fruits et légumes et intégrer l’habitude de manger un fruit
ou un légume par repas. À l’instar des barrières, il y avait aussi quelques solutions spécifiques
aux fruits ou aux légumes. Ainsi, manger les fruits sous forme de collations était un exemple
de solution spécifique aux fruits. Les résultats sur les barrières à la consommation de fruits
et légumes ont permis de développer une intervention qui répondait aux besoins des femmes
à risque de développer du diabète gestationnel, ce qui correspond à l’étape de l’analyse des
besoins de la population cible de l’Intervention Mapping. Alors que les barrières et les
solutions pour surmonter celles-ci ont permis de développer le contenu du questionnaire sur
l’activation des intentions, l’étape précédent l’implantation et l’évaluation de l’intervention
selon l’Intervention Mapping.
Les résultats de l’étude sur l’intervention indiquent que l’activation des intentions et l’effet
question-comportement semblent être des techniques efficaces pour augmenter la
consommation de légumes. Les femmes exposées à ces deux types d’intervention ont
significativement augmenté leur consommation de légumes aux suivis de 3 et 6 mois
comparativement à leur consommation au début de l’étude. Ceci ne confirmait pas la
première hypothèse de recherche qui était que les femmes exposées à l’intervention de type
activation des intentions (groupe expérimental) ont une augmentation significativement plus
élevée de la quantité quotidienne moyenne de fruits et légumes consommée comparativement
à celles exposées à l’effet question-comportement (groupe contrôle) aux suivis de 3 et 6 mois.
Les résultats de l’intervention ne confirmaient pas l’hypothèse concernant le poids, l’IMC et
le tour de taille selon laquelle les femmes du groupe expérimental n’ont pas significativement
augmenté leurs moyennes de poids corporel, d’IMC et de tour de taille comparativement à
celles du groupe contrôle au suivi de 6 mois. Les deux groupes affichaient des poids moyens
stables au suivi de 6 mois (groupe expérimental: 81,00 ± 12,70 kg versus 81,00 ± 12,22 kg
et groupe contrôle : 79,19 ± 21,24 kg versus 78,99 ± 21,67 kg). De plus, les deux groupes ne
différaient pas dans leurs moyennes d’IMC et de tour de taille au suivi de 6 mois.
236
Les résultats de l’intervention ne confirmaient pas non plus l’hypothèse concernant la
glycémie à jeun selon laquelle les femmes du groupe expérimental n’ont pas
significativement augmenté leur moyenne de glycémie à jeun comparativement à celle du
groupe contrôle au suivi de 6 mois. Les deux groupes ne différaient pas dans leurs moyennes
de glycémie à jeun au suivi de 6 mois.
En résumé, la revue systématique a permis d’identifier le FFQ et le journal alimentaire
comme les deux mesures auto-déclarées à privilégier chez les femmes enceintes. Ces deux
types d’outils ont donc été utilisés pour valider le court questionnaire de Godin et
collaborateurs (2008) sur la consommation de fruits et légumes chez des femmes enceintes.
Cet outil avait de donnes qualités psychométriques chez des femmes enceintes et rappelons
que lors de l’étude de Godin et collaborateurs en 2008, il avait été validé auprès d’adultes
obèses et non-obèses de la région de Québec. Il a donc été utilisé, conjointement avec un
FFQ, pour la mesure de la consommation de fruits et légumes lors de l’intervention
psychosociale. La recherche formative a ensuite permis d’identifier les principales barrières
et solutions pour surmonter les barrières à la consommation de fruits et légumes chez des
femmes à risque de développer du diabète gestationnel. Ceci a permis de développer un
questionnaire d’activation des intentions répondant aux besoins de la population cible, soit
les femmes à risque de développer du diabète gestationnel.
6.2 Limites et points forts des travaux de recherche
La principale limite de la revue systématique est qu’il n’était pas possible de combiner
statistiquement les études incluses dans celle-ci afin de faire une méta-analyse. Ceci résultait
du fait qu’il y avait une hétérogénéité importante entre les études puisque leurs échantillons
représentaient des femmes enceintes de différents trimestres de la grossesse, provenant de
divers pays et pour lesquelles différents aliments et nutriments étaient mesurés à l’aide de
diverses mesures auto-déclarées de l’alimentation. Le principal point fort de cette étude est
son aspect novateur puisqu’elle représentait la première revue systématique à synthétiser
l’ensemble des preuves sur la validité et la fidélité des mesures auto-déclarées de
l’alimentation et des nutriments chez les femmes enceintes. Les autres points forts étaient
l’utilisation des nouveaux standards pour l’évaluation en éducation et en psychologie
237
(American Educational Research Association, 1999) pour la classification des types de
validité, la présentation des résultats qui respectait les recommandations PRISMA (Preferred
reporting items for systematic reviews and meta-analyses) pour les revues systématiques et
méta-analyses (Moher, Liberati, Tetzlaff, & Altman, 2009) et la classification des indices
statistiques (corrélations, coefficients intra-classes et kappas) selon des critères spécifiques
(Cohen, 1992; Fermanian, 1984; Landis & Koch, 1977) largement utilisés en recherche.
La principale limite de l’étude sur la validation du questionnaire sur la consommation de
fruits et légumes de Godin et collaborateurs (2008) est la petite taille de l’échantillon de
femmes enceintes. Toutefois, l’échantillon comportait tout de même des femmes enceintes
des trois trimestres de la grossesse. Une autre limite est que l’échantillon était composé de
femmes ayant un niveau de scolarité et un revenu familial annuel élevés, ce qui peut diminuer
la capacité de généraliser les résultats à l’ensemble des femmes enceintes et la validité
externe de l’étude (Dekkers, von Elm, Algra, Romijn, & Vandenbroucke, 2010). L’étude
comportait quatre principaux points forts. Premièrement, l’utilisation de deux mesures auto-
déclarées de l’alimentation pour valider le questionnaire de Godin et collaborateurs (2008)
peut avoir contribué à diminuer les biais associés au mode d’administration (auto-déclaré
pour le journal alimentaire et administré par une nutritionniste pour le FFQ) et au type de
mesures auto-déclarées (prospective pour le journal alimentaire et rétrospective pour le FFQ).
Deuxièmement, en plus des deux mesures auto-déclarées de l’alimentation, il y avait l’ajout
d’une mesure objective de la consommation de fruits et légumes, soit les concentrations de
caroténoïdes dans le plasma. Troisièmement, les analyses statistiques étaient ajustées pour la
présence de nausées, un élément spécifique à la grossesse. Quatrièmement, l’étude ne
rapportait pas seulement des preuves de validité, mais également des preuves de fidélité, un
élément souvent manquant lors des études de validation des courts instruments mesurant la
consommation de fruits et légumes chez les adultes (D. J. Kim & Holowaty, 2003).
La recherche formative comporte quelques limites. Premièrement, malgré un taux de réponse
satisfaisant de 85%, il n’a pas été possible de vérifier si les répondantes étaient similaires aux
non-répondantes. Il aurait été intéressant de comparer leurs données sociodémographiques et
leurs croyances par rapport à la consommation de fruits et légumes à celles des participantes
238
de l’étude afin d’avoir une meilleure idée de la représentativité de l’échantillon et donc de la
validité externe de l’étude (Dekkers et al., 2010). Deuxièmement, comme pour l’étude sur la
validation du questionnaire sur la consommation de fruits et légumes de Godin et
collaborateurs (2008), l’échantillon était principalement composé de femmes ayant un niveau
de scolarité et un revenu familial annuel élevés, ce qui peut limiter la capacité de généraliser
les résultats à l’ensemble des femmes à risque de développer du diabète gestationnel.
Troisièmement, les participantes ne semblent pas avoir compris la distinction entre les
facteurs facilitant et les solutions pour surmonter les barrières à la consommation de fruits et
légumes. Les facteurs facilitant sont des conditions externes ou environnementales (p. ex.: la
présence d’une épicerie près de la maison) qui favorisent ou facilitent l’adoption du
comportement (Triandis, 1980). Les solutions sont des conditions externes ou internes (p.
ex.: cognitions) qui permettent de surmonter une barrière spécifique. Un exemple de solution
pour pallier au manque de temps serait de préparer les fruits et légumes à l’avance. Les
réponses aux questions sur les facteurs facilitant et à celles sur les solutions ont donc été
combinées. Toutefois, les deux types de variables favorisent ou facilitent l’adoption d’un
comportement et dans certains cas, un facteur facilitant, tel que placer les fruits et légumes à
portée de vue sur le comptoir, peut aussi être une solution à une barrière telle qu’oublier de
manger des fruits et légumes. Il est donc probable que la combinaison de ces deux types de
croyances ait eu peu d’impact sur les résultats de l’étude. Une dernière limite importante est
que la consommation de fruits et légumes n’a pas été mesurée, ce qui n’a pas permis de
vérifier si les croyances concernant la consommation de fruits et légumes variaient en
fonction de cette variable. Par exemple, est-ce que les femmes qui consommaient
suffisamment de fruits et légumes selon les recommandations du Guide alimentaire canadien
avaient des croyances différentes de celles qui n’en consommaient pas assez? À l’instar de
la revue systématique sur les mesures auto-déclarées de l’alimentation, le principal point fort
de cette étude formative est son aspect novateur. En effet, à notre connaissance, elle est la
première recherche formative à avoir identifié les barrières et les solutions pour surmonter
les barrières à la consommation de fruits et légumes chez des femmes à risque de développer
du diabète gestationnel.
239
Comme pour l’étude sur la validation du court questionnaire sur la consommation de fruits
et légumes, la principale limite de l’étude d’intervention est la petite taille de l’échantillon.
Compte tenu que nous avons changé de population cible au cours du doctorat et que nous
avons donc aussi dû faire une demande d’amendement au CER du CHU de Québec, cela a
diminué la période de temps disponible pour recruter les participantes. Par contre, le taux de
réponse (89,3%) était bon et les taux d’attrition (12,0% à 3 mois et 10,0% à 6 mois) étaient
très faibles. Une autre limite de l’étude d’intervention est que le comportement était auto-
déclaré alors que les études précédentes qui ont comparé l’activation des intentions à l’effet
question-comportement (Godin et al., 2013; Godin, Germain, Conner, Delage, & Sheeran,
2014; Godin et al., 2010) avaient une mesure objective du comportement. Il est à noter que
les études précédentes ciblaient le don de sang, soit un comportement pour lequel il est plus
facile d’obtenir une mesure comportementale objective que pour la consommation de fruits
et légumes. L’utilisation d’une mesure objective, tel qu’un registre de dons de sang, permet
de contrôler pour un biais de réactivité à la mesure ou un effet Hawthorne. La réactivité à la
mesure ou l’effet Hawthorne survient lorsque des individus modifient leur comportement
lors de la participation à une étude simplement parce qu’ils savent qu’ils sont observés (D.
P. French & Sutton, 2010; McCambridge, 2015). Un autre moyen de contrôler pour ces biais
est d’inclure un groupe contrôle sans traitement (D. P. French & Sutton, 2010). Si le groupe
contrôle sans traitement rapporte aussi avoir modifié son comportement tel qu’augmenter sa
consommation de fruits et légumes, cela suggère qu’il y a eu réactivité à la mesure plutôt
qu’un effet question-comportement puisque les participants ont changé leur comportement
sans avoir préalablement complété un questionnaire sur les cognitions. Les points forts de
l’étude d’intervention étaient le devis, soit un essai clinique aléatoire, et l’aspect novateur de
comparer l’activation des intentions à l’effet question-comportement chez des femmes en âge
de procréer à risque de développer du diabète gestationnel.
Bref, la principale limite commune à la plupart des études réalisées au cours de cette thèse
est la petite taille des échantillons, un problème résultant de la difficulté à recruter des
populations spécifiques, telles que des femmes enceintes (étude de validation) ou des femmes
en âge de procréer à risque de développer du diabète gestationnel (recherche formative et
étude d’intervention), durant une période de temps restreinte. Il semble que les femmes
240
enceintes (Frew et al., 2014; van Delft, Schwertner-Tiepelmann, Thakar, & Sultan, 2013) et
les jeunes femmes avec des enfants (Bassett-Gunter et al., 2013; Edvardsson et al., 2011)
soient des populations difficiles à recruter, car elles manquent de temps pour participer à des
études. Par exemple, lors de l’étude de validation, certaines femmes enceintes ont mentionné
avoir décliné de venir au centre de recherche pour donner un échantillon de sang, car elles
avaient déjà dû s’absenter fréquemment du bureau en raison de leurs multiples rendez-vous
médicaux dans le cadre de leur suivi de grossesse. Alors que chez les jeunes mamans, elles
manqueraient de temps pour participer à des études, car elles doivent s’occuper de jeunes
enfants (Bassett-Gunter et al., 2013; Edvardsson et al., 2011). Une autre limite commune à
plusieurs des études présentées précédemment est que les échantillons étaient principalement
composés de femmes ayant un niveau de scolarité et un revenu élevés, ce qui limite la
généralisation des résultats à l’ensemble de la population à l’étude. Le principal point fort
des quatre études est leur aspect novateur. La revue systématique était la première étude à
synthétiser l’information sur la validité et la fidélité des mesures auto-déclarées de
l’alimentation durant la grossesse. L’étude de validation était la première étude à valider le
questionnaire sur la consommation de fruits et légumes de Godin et collaborateurs (2008)
chez des femmes enceintes. La recherche formative était la première étude à identifier les
principales barrières et solutions pour la consommation de fruits et légumes chez des femmes
à risque de développer du diabète gestationnel. L’étude d’intervention était la première étude
à tester l’efficacité de la technique d’activation des intentions comparativement à l’effet
question-comportement pour promouvoir la consommation de fruits et légumes chez des
femmes en âge de procréer à risque de développer du diabète gestationnel.
Enfin, les différentes études avaient aussi plusieurs points forts au niveau de leur
méthodologie et de leurs analyses statistiques. Par exemple, la présentation des résultats de
la revue systématique respectait les recommandations PRISMA pour les revues
systématiques et méta-analyses (Moher et al., 2009) et pour les études qui rapportaient
plusieurs corrélations, une taille d’effet globale (͞r) a été calculée à l’aide de la formule de la
méthode Hunter-Schmidt (Diener, Hilsenroth, & Weinberger, 2009; Field, 2001). L’étude de
validation utilisait différentes mesures auto-déclarées et une mesure objective de la
consommation de fruits et légumes pour valider le court questionnaire sur la consommation
241
de fruits et légumes et les corrélations étaient ajustées statistiquement pour l’apport
énergétique et la présence de nausées. La recherche formative était basée sur les
recommandations de Fishbein et Ajzen (2010) pour le développement d’interventions
psychosociales et un critère de 75% de fréquence de mention était utilisé pour identifier les
croyances saillantes modales de la population (Ajzen & Fishbein, 1980). L’étude
d’intervention était un essai clinique aléatoire avec un suivi de 6 mois.
6.3 Pistes d’intervention et de recherche, perspectives futures et recommandations
6.3.1 Revue systématique
La revue systématique sur les mesures auto-déclarées de l’alimentation et des nutriments
chez les femmes enceintes a permis d’identifier les pistes de recherche suivantes: la nécessité
d’avoir davantage d’études sur la validité et la fidélité des rappels de 24 heures et sur la
fidélité de l’histoire alimentaire chez les femmes enceintes. De plus, plusieurs études incluses
dans la revue systématique ne précisaient pas si le journal alimentaire utilisé était estimé à
l’aide de mesures domestiques (p. ex.: cuillères, tasses à mesurer) ou mesuré à l’aide d’une
balance alimentaire. Il serait donc intéressant de vérifier si le journal alimentaire mesuré
affiche de meilleures corrélations, comparativement au journal alimentaire estimé, avec les
biomarqueurs chez des femmes enceintes.
Une revue systématique permet de synthétiser l’ensemble des données empiriques sur un
sujet de recherche préétabli, ce qui place le chercheur dans une bonne position pour émettre
des recommandations pour les études futures (Littell, 2008). La présente revue systématique
a permis d’émettre trois recommandations pour augmenter la qualité des futures études de
validation d’une mesure auto-déclarée chez les femmes enceintes. Premièrement, il est
nécessaire d’avoir des preuves sur la validité et la fidélité d’un instrument de mesure auto-
déclaré puisque les deux sont nécessaires pour juger de ses qualités psychométriques. En fait,
les preuves sur la stabilité temporelle d’un outil sont particulièrement importantes durant la
grossesse, car il est primordial de différencier si des changements dans les apports
alimentaires mesurés par une mesure auto-déclarée de l’alimentation sont le reflet de réels
changements dans l’alimentation de la femme enceinte ou s’ils sont le résultat de la piètre
reproductibilité de l’instrument. Deuxièmement, les études devraient vérifier si le fait
242
d’ajuster statistiquement pour l’apport énergétique, l’utilisation de suppléments et la
présence de nausées influence les corrélations entre deux outils servant à mesurer
l’alimentation. Troisièmement, les chercheurs devraient vérifier si les répondants ou ceux qui
ont complété le suivi diffèrent des non-répondants ou de ceux qui se sont retirés de l’étude
en cours de projet. Cette information est importante afin de juger de la capacité de généraliser
les résultats de l’étude à l’ensemble de la population de femmes enceintes (i.e., validité
externe) (Dekkers et al., 2010). Peu d’études incluses dans la revue systématique rapportaient
cette information.
6.3.2 Étude de validation
Les résultats de l’étude de validation du questionnaire sur la consommation de fruits et
légumes de Godin et collaborateurs (2008) indiquent qu’il représente un outil intéressant pour
les chercheurs et les cliniciens qui désirent estimer rapidement la consommation de fruits et
légumes des femmes enceintes. Par exemple, il peut être utilisé lors d’études ayant de larges
échantillons et qui ne peuvent donc pas se permettre de faire passer de longs FFQ ou plusieurs
rappels de 24 heures à l’ensemble des participants. Le court questionnaire de Godin et
collaborateurs (2008) peut également être utile lors des rencontres prénatales afin de juger si
la femme enceinte consomme suffisamment de fruits et légumes. En fait, ce questionnaire se
démarque des autres mesures auto-déclarées de l’alimentation, car il est plus court à
administrer et il ne nécessite pas de formation préalable. Il peut aussi bien être administré par
une nutritionniste, qu’une infirmière ou qu’un médecin lors des rencontres prénatales, ce qui
le rend très intéressant dans un contexte de santé publique. Rappelons que la consommation
de fruits et légumes est un indicateur de la qualité de l’alimentation chez les Canadiens
(Garriguet, 2009) alors le court questionnaire de Godin et collaborateurs (2008) sur la
consommation de fruits et légumes peut également servir à vérifier rapidement si une femme
enceinte a une saine alimentation. Il devrait toutefois être utilisé conjointement avec d’autres
mesures auto-déclarées de l’alimentation telle qu’un journal alimentaire, lorsqu’une
évaluation plus précise de la consommation individuelle est nécessaire.
Une piste de recherche future serait d’ajouter des items sur la consommation de mets
composés (p. ex.: soupe aux légumes) ou de sauces (p. ex.: salsa ou sauce spaghetti) pour
243
vérifier si cela améliore la validité du court questionnaire de Godin et collaborateurs (2008)
comparativement à un journal alimentaire ou un FFQ. Selon les résultats d’une revue
systématique des courts instruments pour mesurer la consommation de fruits et légumes chez
les adultes, inclure des questions sur la consommation de mets composés de légumes
améliorerait la validité de ce type de questionnaires (D. J. Kim & Holowaty, 2003). Il est
donc possible que l’ajout de ce type d’items contribuerait à réduire la sous-estimation de la
consommation de fruits et légumes associée au court questionnaire de Godin et collaborateurs
(2008).
Une autre piste de recherche serait d’identifier les biomarqueurs de la consommation de fruits
et légumes les plus appropriés chez les femmes enceintes. Cette information serait
grandement utile pour la validation des mesures auto-déclarées de la consommation de fruits
et légumes chez cette population. Les biomarqueurs pourraient aussi être utilisés comme
mesures objectives lors d’interventions visant à augmenter la consommation de fruits et
légumes chez les femmes enceintes. Dans le cadre de la présente étude de validation,
quasiment aucune des mesures auto-déclarées de l’alimentation n’étaient significativement
corrélées aux concentrations plasmatiques de caroténoïdes même en contrôlant
statistiquement pour l’apport énergique et la présence de nausées. La seule exception était
pour la consommation de fruits et légumes mesurée par le FFQ et les concentrations
plasmatiques de β-cryptoxanthine lorsque les corrélations étaient ajustées statistiquement
pour la présence de nausées. En fait, les résultats des autres études au sujet des caroténoïdes
sont plutôt contradictoires. Des études ont trouvé des corrélations significatives entre certains
caroténoïdes plasmatiques tels que la lutéine (Brantsaeter, Haugen, Rasmussen, et al., 2007;
Vioque et al., 2013), le β-carotène (Mikkelsen, Olsen, Rasmussen, & Osler, 2007; Vioque et
al., 2013), l’α-carotène (Vioque et al., 2013) et la consommation de fruits et légumes mesurée
par un FFQ chez des femmes enceintes. Alors que ces mêmes études n’ont pas observé ces
corrélations significatives entre certains caroténoïdes tels que l’α-carotène (Brantsaeter,
Haugen, Rasmussen, et al., 2007), le rétinol (Vioque et al., 2013), le lycopène (Vioque et al.,
2013) et la consommation de fruits et légumes. Enfin, les résultats de l’étude de validation
confirment la nécessité d’ajuster statistiquement pour la présence de nausées chez les femmes
enceintes puisque cet ajustement peut avoir un effet sur les corrélations entre une mesure
244
auto-déclarée de l’alimentation et certains biomarqueurs de la consommation de fruits et
légumes.
6.3.3 Recherche formative
Les résultats de la recherche formative confirment les résultats d’une revue systématique qui
indiquaient que les contraintes de temps sont une barrière importante pour la consommation
de fruits et légumes chez diverses populations (Pollard, Kirk, & Cade, 2002). Ils sont
également similaires à ceux d’une étude menée auprès de femmes avec un antécédent de
diabète gestationnel qui suggéraient que les femmes occupées qui se sentent aptes à
surmonter le manque de temps ont une consommation de fruits plus élevée (Zehle et al.,
2008). Ces résultats indiquent que les interventions chez les femmes à risque de développer
du diabète gestationnel devraient fournir des moyens pour surmonter le manque de temps
pour manger des fruits et légumes. Les autres barrières identifiées lors de la recherche
formative peuvent aussi faire de bonnes cibles pour une intervention visant à augmenter la
consommation de fruits et légumes chez des femmes à risque de développer du diabète
gestationnel alors que les solutions fournissent de bonnes pistes d’intervention. Par exemple,
il semble que conseiller aux femmes de préparer les fruits et légumes à l’avance, donner des
recettes qui intègrent des fruits et légumes et les encourager à développer l’habitude de
manger un fruit ou un légume à chaque repas semblent être de bonnes stratégies
d’intervention. De plus, malgré qu’il y avait des similitudes entre les barrières et les solutions
mentionnées pour la consommation de fruits et celle de légumes, il y en avait tout de même
certaines qui étaient spécifiques aux fruits ou aux légumes. Ceci confirme la nécessité de
mesurer les croyances concernant la consommation de fruits séparément de celles pour la
consommation de légumes, même si l’objectif est de développer une intervention ciblant la
consommation de ces deux aliments.
6.3.4 Étude d’intervention
Les résultats de l’étude d’intervention indiquent que l’activation des intentions et l’effet
question-comportement sont des techniques efficaces pour augmenter la consommation de
légumes chez des femmes en âge de procréer à risque de développer du diabète gestationnel.
Ces interventions pourraient éventuellement être appliquées par les médecins ou les
245
infirmières qui rencontrent les femmes en âge de procréer qui désirent avoir un enfant afin
de les aider à augmenter leur consommation de légumes et ainsi possiblement à prévenir
l’apparition du diabète gestationnel. En prévenant l’apparition de ce type de diabète avant le
début de la grossesse, cela permet d’éviter que le fœtus soit exposé à des taux de glycémie
élevés in utero. Ceci pourrait donc favoriser un environnement intra-utérin sain pour le fœtus
dès le premier jour de la grossesse, ce qui pourrait prévenir l’apparition des conséquences
néfastes associées au diabète gestationnel chez l’enfant exposé in utero telles que l’obésité,
le diabète de type 2 et le syndrome métabolique (Kampmann et al., 2015). Il est à noter que
ceci pourrait également à la fois prévenir les conséquences néfastes liées au diabète
gestationnel pour la femme lors de l’accouchement (p. ex.: macrosomie, césarienne) et aussi
celles post-natales (p. ex.: diabète de type 2, maladies cardiovasculaires) (Kampmann et al.,
2015). Par contre, avant de recommander l’utilisation de l’activation des intentions et de
l’effet question-comportement dans les milieux de pratique clinique, il importe de confirmer
les résultats obtenus lors de l’étude d’intervention auprès d’échantillons plus larges, car celle-
ci avait un petit échantillon.
Il est quelque peu surprenant que l’intervention ait eu un impact uniquement sur la
consommation de légumes alors qu’à la fois la consommation de fruits et de légumes était
ciblée. Une étude utilisant une tâche d’auto-affirmation (i.e., les participants devaient décrire
les raisons pour lesquelles une chose est importante pour eux) pour augmenter la
consommation de fruits et légumes avait également obtenu une augmentation significative
uniquement de la consommation de légumes alors que l’intervention portait sur la
consommation de fruits et de légumes (Pietersma & Dijkstra, 2011). Lors de prochaines
études, il serait intéressant de vérifier si l’activation des intentions et l’effet question-
comportement ont un impact différent sur la consommation de légumes comparativement à
celui sur la consommation de fruits. Ceci indique aussi la nécessité de séparer la
consommation de fruits de celle de légumes lors de la vérification des résultats d’une
intervention ciblant ces deux catégories d’aliments. Enfin, dans l’éventualité où d’autres
études d’intervention obtiendraient des résultats similaires, ceci pourrait suggérer la nécessité
de développer des interventions différentes pour les fruits et pour les légumes.
246
L’activation des intentions et l’effet question-comportement n’avaient pas d’effet significatif
sur le poids corporel, l’IMC, le tour de taille et la glycémie au suivi de 6 mois. Une revue
systématique et méta-analyse récente des interventions sur les habitudes de vie visant la
prévention du diabète de type 2 chez des femmes avec un antécédent de diabète gestationnel
a également obtenu que ce type d’interventions n’a pas d’effet significatif sur la glycémie à
jeun (Gilinsky, Kirk, Hughes, & Lindsay, 2015). Il est possible que ceci résulte de la durée
du suivi qui était trop courte. Aux États-Unis, il est recommandé de suivre les individus sur
une période de 2 à 5 ans après la fin d’une intervention afin de vérifier si le poids perdu à la
fin de l’intervention est maintenu puisqu’il est fréquent que les participants reprennent leur
poids initial une fois l’intervention complétée (Anderson, Konz, Frederich, & Wood, 2001).
De plus, lors d’une étude visant à vérifier la réduction de l’incidence du diabète de type 2
suite à une intervention sur les habitudes de vie comparativement à un traitement à la
metformine, les patients étaient suivis pendant environ 2,8 ans après la fin de l’intervention
(Knowler et al., 2002). Il serait donc pertinent dans les études futures d’augmenter la durée
du suivi à au moins 2 ans après la fin de l’intervention afin de vérifier si l’activation des
intentions et l’effet question-comportement peuvent avoir un impact significatif sur le poids
et la glycémie et aussi pour clarifier le lien entre la perte de poids et le risque de développer
du diabète gestationnel et du diabète de type 2 compte tenu que les résultats des études à cet
effet sont parfois contradictoires.
L’étude d’intervention avait un bon taux de réponse et de faibles taux d’attrition aux suivis
de 3 mois et 6 mois. Il est aussi intéressant de noter que les taux d’attrition ne variaient pas
selon que les participantes étaient dans le groupe expérimental ou le groupe contrôle. Ces
résultats sont encourageants, car dans les études précédentes ayant comparé l’activation des
intentions à l’effet question-comportement, les taux de réponse étaient systématiquement
plus faibles lorsque les participants devaient compléter une tâche d’activation des intentions
comparativement à simplement remplir un questionnaire sur les cognitions (Godin et al.,
2013; Godin et al., 2014; Godin et al., 2010). Le bon taux de réponse et les faibles taux
d’attrition suggèrent que l’activation des intentions et l’effet question-comportement sont des
techniques d’intervention simples qui pourraient éventuellement être implantées dans des
milieux de pratique clinique. Par exemple, un médecin ou une nutritionniste pourrait
247
simplement donner le questionnaire avec la tâche d’activation des intentions ou un
questionnaire sur les croyances concernant un comportement lié à la santé à une femme et
lui demander de le compléter à la maison, ce qui ne requerrait pas de formation additionnelle
pour le professionnel de la santé et ne prolongerait pas la durée de la consultation. En fait, le
format auto-administré par questionnaire de l’activation des intentions est plus facile et moins
coûteux à administrer qu’avec un intervenant, ce qui est intéressant dans une perspective de
santé publique. C’est d’ailleurs une des raisons pour lesquelles que nous avions choisi un
format auto-administré par questionnaire pour la tâche d’activation des intentions plutôt
qu’un format administré par un intervenant. L’autre raison était d’avoir le même format que
pour le groupe contrôle basé sur l’effet question-comportement afin de rendre les deux
groupes plus comparables.
Pour conclure, les quatre études de la thèse ont permis d’identifier plusieurs pistes
d’intervention et de recherche et d’émettre des recommandations pour les futures études (voir
Tableau 5 pour un résumé). Les trois principales pistes d’intervention sont que le court
questionnaire de Godin et collaborateurs (2008) peut être utilisé en recherche et en clinique
pour estimer rapidement la consommation de fruits et légumes des femmes enceintes, le
manque de temps est la principale barrière à la consommation de fruits et légumes chez des
femmes à risque de développer du diabète gestationnel, et l’activation des intentions et l’effet
question-comportement permettent d’augmenter la consommation de légumes chez cette
dernière population. Les deux principales pistes de recherche sont de vérifier la validité et la
fidélité des rappels de 24 heures chez les femmes enceintes et de vérifier si l’ajout de
questions sur la consommation de mets composés améliore l’estimation de la consommation
de fruits et légumes à l’aide du questionnaire de Godin et collaborateurs (2008). Les cinq
principales recommandations pour les prochaines études sont de rapporter des preuves sur la
validité et la fidélité des outils servant à mesurer l’alimentation des femmes enceintes,
d’utiliser le court questionnaire de Godin et collaborateurs (2008) conjointement avec un
journal alimentaire pour mesurer précisément les apports individuels de fruits et légumes, de
mesurer les croyances et la consommation de fruits et légumes séparément pour chacune de
ces deux catégories d’aliments, d’utiliser une mesure objective du comportement ou d’avoir
un groupe contrôle sans traitement lors d’études d’intervention comparant l’activation des
248
intentions à l’effet question-comportement et d’avoir un suivi d’au moins 2 ans pour vérifier
l’impact de ce type d’interventions sur le poids, le tour de taille et la glycémie. Enfin, le court
questionnaire de Godin et collaborateurs (2008) sur la consommation de fruits et légumes,
l’activation des intentions et l’effet question-comportement sont des instruments simples à
administrer et peu coûteux qui peuvent être utilisés autant dans un contexte de recherche que
dans un contexte clinique, ce qui les rend intéressants dans une perspective de santé publique.
Par contre, compte tenu de la petite taille de l’échantillon pour l’étude d’intervention, il est
nécessaire de répliquer les résultats obtenus auprès de plus grands échantillons avant de
recommander l’utilisation de l’activation des intentions ou de l’effet question-comportement
dans les milieux de pratique clinique.
249
Tableau 5. Résumé des pistes d’intervention et de recherche, perspectives futures et recommandations
Étude Pistes d’intervention Pistes de recherche Perspectives futures ou recommandations
Revue systématique sur les mesures auto-déclarées de l’alimentation et des nutriments chez les femmes enceintes
Non applicable -Vérifier la validité et la fidélité des rappels de 24 h chez les femmes enceintes -Vérifier la fidélité de l’histoire alimentaire chez les femmes enceintes -Comparer le journal alimentaire mesuré au journal alimentaire estimé chez les femmes enceintes
-Avoir des preuves sur la validité et la fidélité d’une mesure auto-déclarée -Vérifier si l’ajustement statistique pour l’apport énergétique, l’utilisation de suppléments et la présence de nausées influence les corrélations entre deux mesures de l’alimentation -Vérifier si les répondants ou ceux qui ont complété le suivi diffèrent des non-répondants ou de ceux qui se sont retirés de l’étude en cours de projet
Étude de validation du court questionnaire de Godin et collaborateurs (2008) sur la consommation de fruits et légumes chez des femmes enceintes
-Alternative intéressante aux longs FFQ ou aux multiples rappels de 24 h pour les chercheurs et les cliniciens qui désirent estimer rapidement la consommation de fruits et légumes des femmes enceintes
-Vérifier si l’ajout d’items sur la consommation de mets composés améliore la validité du court questionnaire -Identifier les biomarqueurs de la consommation de fruits et légumes les plus appropriés chez les femmes enceintes
-À utiliser conjointement avec un journal alimentaire pour mesurer précisément les apports individuels -Vérifier si l’ajustement statistique pour la présence de nausées influence les corrélations entre une mesure auto-déclarée de l’alimentation et les biomarqueurs de la consommation de fruits et légumes
250
Recherche formative sur les barrières et solutions concernant la consommation de fruits et légumes chez les femmes à risque de développer du diabète gestationnel
-Le manque de temps est la principale barrière à la consommation de fruits et légumes -Les autres barrières identifiées peuvent faire de bonnes cibles pour une intervention -Les solutions fournissent de bonnes pistes d’intervention
-Mesurer les croyances concernant la consommation de fruits séparément de celles pour la consommation de légumes, même si l’objectif est de développer une intervention ciblant à la fois la consommation de fruits et de légumes
Étude d’intervention utilisant l’activation des intentions comparativement à un groupe contrôle basé sur l’effet question-comportement pour promouvoir la consommation de fruits et légumes chez des femmes en âge de procréer à risque de développer du diabète gestationnel
-L’activation des intentions et l’effet question-comportement permettent d’augmenter la consommation de légumes chez des femmes en âge de procréer à risque de développer du diabète gestationnel
-Mesurer la consommation de fruits et légumes séparément et vérifier si l’activation des intentions et l’effet question-comportement ont un impact différent sur la consommation de légumes comparativement à la consommation de fruits
-Utiliser une mesure objective du comportement ou avoir un groupe contrôle sans traitement afin de contrôler pour un biais de réactivité à la mesure ou un effet Hawthorne -Avoir un suivi d’au moins 2 ans pour vérifier l’effet de l’intervention sur le poids, le tour de taille et la glycémie
251
CONCLUSION
L’objectif de cette thèse était d’identifier des moyens novateurs afin de promouvoir la saine
alimentation, soit la consommation de fruits et légumes, chez des femmes à risque de
développer du diabète gestationnel. L’Intervention Mapping a servi de cadre pour planifier les
étapes nécessaires au développement de l’intervention. Quatre projets de recherche ont été
nécessaires afin d’atteindre le but de la thèse. La première étude était une revue systématique
sur la validation des mesures auto-déclarées de l’alimentation durant la grossesse. Son objectif
était d’identifier les mesures auto-déclarées à privilégier pour évaluer l’alimentation des
femmes enceintes. Les résultats de cette première étude ont ensuite été utilisés pour développer
notre propre étude de validation d’une mesure auto-déclarée de la consommation de fruits et
légumes chez des femmes enceintes. Par exemple, suite à l’identification du FFQ et du journal
alimentaire comme les mesures auto-déclarées ayant les meilleures qualités psychométriques
chez les femmes enceintes, ces deux instruments ont été retenus pour valider le court
questionnaire de Godin et collaborateurs (2008) chez cette même population. La
recommandation de vérifier si l’ajustement statistique pour l’apport énergétique et la présence
de nausées influence les corrélations entre deux mesures de l’alimentation a aussi été appliquée
lors de l’étude de validation. Ces deux études ont permis de prévoir l’étape de l’évaluation de
l’intervention, une étape qui selon les auteurs de l’Intervention mapping devrait être planifiée
dès le début du développement de l’intervention (Kok et al., 2004).
La troisième étude était une recherche formative qui visait à évaluer les besoins de la population
cible et à développer le contenu de l’intervention. Les résultats sur les barrières à la
consommation de fruits et légumes ont permis de développer une intervention qui répondait
aux besoins des femmes à risque de développer du diabète gestationnel. Alors que les barrières
et les solutions pour surmonter celles-ci ont permis de développer le contenu du questionnaire
sur l’activation des intentions. La quatrième étude a permis l’implantation et l’évaluation de
l’intervention de type activation des intentions qui était comparée à un groupe contrôle utilisant
l’effet question-comportement. Il s’est avéré que ces deux types d’intervention sont efficaces
pour promouvoir la consommation de légumes chez des femmes en âge de procréer à risque de
développer du diabète gestationnel. Ce résultat suggère que l’activation des intentions et l’effet
question-comportement peuvent être utilisés pour favoriser une alimentation saine avant le
début de la grossesse afin de diminuer le risque de développer du diabète gestationnel ou du
diabète de type 2 et ainsi assurer la santé de la femme et celle de son enfant. À notre
252
connaissance, ceci est le premier essai clinique aléatoire à avoir testé l’efficacité d’une
intervention de type activation des intentions comparativement à une intervention utilisant
l’effet question-comportement pour promouvoir la consommation de fruits et légumes chez des
femmes en âge de procréer à risque de développer du diabète gestationnel. Bref, les quatre
projets de recherche de la thèse étaient novateurs et ont permis de développer une intervention
qui utilisait un outil validé pour mesurer la consommation de fruits et légumes, qui répondait
aux besoins de la population cible et qui fut efficace pour promouvoir la saine alimentation chez
des femmes à risque de développer du diabète gestationnel.
253
BIBLIOGRAPHIE
Abraham, C., & Michie, S. (2008). A taxonomy of behavior change techniques used in interventions. Health Psychol, 27(3), 379-387.
Adriaanse, M. A., Gollwitzer, P. M., De Ridder, D. T., de Wit, J. B., & Kroese, F. M. (2011). Breaking habits with implementation intentions: A test of underlying processes. Pers Soc Psychol Bull, 37(4), 502-513. doi:10.1177/0146167211399102
Adriaanse, M. A., Vinkers, C. D., De Ridder, D. T., Hox, J. J., & De Wit, J. B. (2011). Do implementation intentions help to eat a healthy diet? A systematic review and meta-analysis of the empirical evidence. Appetite, 56(1), 183-193.
Agudo, A. (2005). Measuring intake of fruit and vegetables. Spain: World Health Organization.
Ajzen, I. (1991). The theory of planned behavior. Organ Behav Hum Decis Process, 50(2), 179-211.
Ajzen, I., & Fishbein, M. (1980). Understanding attitudes and predicting social behavior. New Jersey: Englewood Cliffs. Prentice Hall.
Al-Delaimy, W. K., Ferrari, P., Slimani, N., Pala, V., Johansson, I., Nilsson, S., . . . Riboli, E. (2005). Plasma carotenoids as biomarkers of intake of fruits and vegetables: Individual-level correlations in the European Prospective Investigation into Cancer and Nutrition (EPIC). Eur J Clin Nutr, 59(12), 1387-1396. doi:10.1038/sj.ejcn.1602252
Aljadani, H. M., Patterson, A., Sibbritt, D., Hutchesson, M. J., Jensen, M. E., & Collins, C. E. (2013). Diet quality, measured by fruit and vegetable intake, predicts weight change in young women. J Obes, 2013, 525161. doi:10.1155/2013/525161
Aljohani, N., Rempel, B. M., Ludwig, S., Morris, M., McQuillen, K., Cheang, M., . . . Shen, G. X. (2008). Gestational diabetes in Manitoba during a twenty-year period. Clin Invest Med, 31(3), E131-137.
American Diabetes Association. (2013). Economic costs of diabetes in the U.S. in 2012. Diabetes Care, 36(4), 1033-1046. doi:10.2337/dc12-2625
American Diabetes Association. (2015). Standards of medical care in diabetes-2015. Diabetes Care, 38(Suppl. 1), S1-S93.
American Educational Research Association. (1999). Standards for educational and psychological testing. Washington: American Educational Research Association.
Anderson, J. W., Konz, E. C., Frederich, R. C., & Wood, C. L. (2001). Long-term weight-loss maintenance: a meta-analysis of US studies. Am J Clin Nutr, 74(5), 579-584.
Archambault, C., Arel, R., & Filion, K. B. (2014). Gestational diabetes and risk of cardiovascular disease: A scoping review. Open Med, 8(1), e1-9.
Arkkola, T., Uusitalo, U., Pietikainen, M., Metsala, J., Kronberg-Kippila, C., Erkkola, M., . . . Ovaskainen, M. L. (2006). Dietary intake and use of dietary supplements in relation to demographic variables among pregnant Finnish women. Br J Nutr, 96(5), 913-920.
Aune, D., Chan, D. S., Greenwood, D. C., Vieira, A. R., Rosenblatt, D. A., Vieira, R., & Norat, T. (2012). Dietary fiber and breast cancer risk: a systematic review and meta-analysis of prospective studies. Ann Oncol, 23(6), 1394-1402. doi:10.1093/annonc/mdr589
Azagba, S., & Sharaf, M. F. (2011). Disparities in the frequency of fruit and vegetable consumption by socio-demographic and lifestyle characteristics in Canada. Nutr J, 10, 118.
Bain, E., Crane, M., Tieu, J., Han, S., Crowther, C. A., & Middleton, P. (2015). Diet and exercise interventions for preventing gestational diabetes mellitus. Cochrane Database Syst Rev, 4, CD010443. doi:10.1002/14651858.CD010443.pub2
254
Bandura, A. (1977). Self-efficacy: toward a unifying theory of behavioral change. Psychol Rev, 84(2), 191-215.
Bao, W., Yeung, E., Tobias, D. K., Hu, F. B., Vaag, A. A., Chavarro, J. E., . . . Zhang, C. (2015). Long-term risk of type 2 diabetes mellitus in relation to BMI and weight change among women with a history of gestational diabetes mellitus: A prospective cohort study. Diabetologia, 58(6), 1212-1219. doi:10.1007/s00125-015-3537-4
Baranowski, T. (2013). 24-hour recall and diet record methods. In W. Willett (Ed.), Nutrional epidemiology (pp. 49-69). New York, NY: Oxford University Press.
Baranowski, T., Cerin, E., & Baranowski, J. (2009). Steps in the design, development and formative evaluation of obesity prevention-related behavior change trials. Int J Behav Nutr Phys Act, 6, 6. doi:10.1186/1479-5868-6-6
Baranowski, T., Lin, L. S., Wetter, D. W., Resnicow, K., & Hearn, M. D. (1997). Theory as mediating variables: Why aren't community interventions working as desired? Ann Epidemiol, S7, S89-S95.
Bardenheier, B. H., Imperatore, G., Gilboa, S. M., Geiss, L. S., Saydah, S. H., Devlin, H. M., . . . Gregg, E. W. (2015). Trends in gestational diabetes among hospital deliveries in 19 U.S. states, 2000-2010. Am J Prev Med, 49(1), 12-19. doi:10.1016/j.amepre.2015.01.026
Bartholomew, L. K., Parcel, G. S., Kok, G., Gottlieb, N. H., & Fernandez, M. E. (2011). Planning health promotion programs: An intervention mapping approach (3rd ed.). San Francisco: Jossey-Bass.
Bassett-Gunter, R. L., Levy-Milne, R., Naylor, P. J., Symons Downs, D., Benoit, C., Warburton, D. E., . . . Rhodes, R. E. (2013). Oh baby! Motivation for healthy eating during parenthood transitions: a longitudinal examination with a theory of planned behavior perspective. Int J Behav Nutr Phys Act, 10, 88. doi:10.1186/1479-5868-10-88
Bazzano, L. A., Li, T. Y., Joshipura, K. J., & Hu, F. B. (2008). Intake of fruit, vegetables, and fruit juices and risk of diabetes in women. Diabetes Care, 31(7), 1311-1317. doi:10.2337/dc08-0080
Beharier, O., Shoham-Vardi, I., Pariente, G., Sergienko, R., Kessous, R., Baumfeld, Y., . . . Sheiner, E. (2015). Gestational diabetes mellitus is a significant risk factor for long-term maternal renal disease. J Clin Endocrinol Metab, 100(4), 1412-1416. doi:10.1210/jc.2014-4474
Bellamy, L., Casas, J. P., Hingorani, A. D., & Williams, D. (2009). Type 2 diabetes mellitus after gestational diabetes: A systematic review and meta-analysis. Lancet, 373(9677), 1773-1779. doi:10.1016/s0140-6736(09)60731-5
Ben-Haroush, A., Yogev, Y., & Hod, M. (2004). Epidemiology of gestational diabetes mellitus and its association with Type 2 diabetes. Diabet Med, 21(2), 103-113.
Berenson, A. B., Pohlmeier, A. M., Laz, T. H., Rahman, M., & McGrath, C. J. (2014). Nutritional and weight management behaviors in low-income women trying to conceive. Obstet Gynecol, 124(3), 579-584. doi:10.1097/aog.0000000000000416
Bhupathiraju, S. N., & Tucker, K. L. (2011). Greater variety in fruit and vegetable intake is associated with lower inflammation in Puerto Rican adults. Am J Clin Nutr, 93(1), 37-46. doi:10.3945/ajcn.2010.29913
Bhupathiraju, S. N., Wedick, N. M., Pan, A., Manson, J. E., Rexrode, K. M., Willett, W. C., . . . Hu, F. B. (2013). Quantity and variety in fruit and vegetable intake and risk of coronary heart disease. Am J Clin Nutr, 98(6), 1514-1523. doi:10.3945/ajcn.113.066381
Bingham, S. A., Gill, C., Welch, A., Day, K., Cassidy, A., Khaw, K. T., . . . Day, N. E. (1994). Comparison of dietary assessment methods in nutritional epidemiology:
255
Weighed records v. 24 h recalls, food-frequency questionnaires and estimated-diet records. Br J Nutr, 72(4), 619-643.
Blanchet, C., Plante, C., & Rochette, L. (2009). La consommation alimentaire et les apports nutritionnels des adultes québécois. Québec: Institut national de santé publique du Québec.
Blanchet, C., & Rochette, L. (2014). Les achats alimentaires des Québécois de 2006 à 2010 au regard de la saine alimentation. Surveillance des habitudes de vie, 2, 1-24.
Block, G. (1982). A review of validations of dietary assessment methods. Am J Epidemiol, 115(4), 492-505.
Block, G., Gillespie, C., Rosenbaum, E. H., & Jenson, C. (2000). A rapid food screener to assess fat and fruit and vegetable intake. Am J Prev Med, 18(4), 284-288.
Block, G., Patterson, B., & Subar, A. (1992). Fruit, vegetables, and cancer prevention: A review of the epidemiological evidence. Nutr Cancer, 18(1), 1-29. doi:10.1080/01635589209514201
Blumfield, M. L., Hure, A. J., Macdonald-Wicks, L. K., Patterson, A. J., Smith, R., & Collins, C. E. (2011). Disparities exist between National food group recommendations and the dietary intakes of women. BMC Womens Health, 11, 37. doi:10.1186/1472-6874-11-37
Bodnar, L. M., & Siega-Riz, A. M. (2002). A diet quality index for pregnancy detects variation in diet and differences by sociodemographic factors. Public Health Nutr, 5(6), 801-809. doi:10.1079/phn2002348
Bojar, I., Wdowiak, L., Humeniuk, E., & Blaziak, P. (2006). Change in the quality of diet during pregnancy in comparison with WHO and EU recommendations--environmental and sociodemographic conditions. Ann Agric Environ Med, 13(2), 281-286.
Booth, G. L., Kapral, M. K., Fung, K., & Tu, J. V. (2006). Relation between age and cardiovascular disease in men and women with diabetes compared with non-diabetic people: A population-based retrospective cohort study. Lancet, 368(9529), 29-36. doi:10.1016/s0140-6736(06)68967-8
Brandle, M., Zhou, H., Smith, B. R., Marriott, D., Burke, R., Tabaei, B. P., . . . Herman, W. H. (2003). The direct medical cost of type 2 diabetes. Diabetes Care, 26(8), 2300-2304.
Brantsaeter, A. L., Haugen, M., Hagve, T. A., Aksnes, L., Rasmussen, S. E., Julshamn, K., . . . Meltzer, H. M. (2007). Self-reported dietary supplement use is confirmed by biological markers in the Norwegian Mother and Child Cohort Study (MoBa). Ann Nutr Metab, 51(2), 146-154. doi:10.1159/000103275
Brantsaeter, A. L., Haugen, M., Rasmussen, S. E., Alexander, J., Samuelsen, S. O., & Meltzer, H. M. (2007). Urine flavonoids and plasma carotenoids in the validation of fruit, vegetable and tea intake during pregnancy in the Norwegian Mother and Child Cohort Study (MoBa). Public Health Nutr, 10(8), 838-847. doi:10.1017/s1368980007339037
Brazeau, A. S., Leong, A., Meltzer, S. J., Cruz, R., DaCosta, D., Hendrickson-Nelson, M., . . . Dasgupta, K. (2014). Group-based activities with on-site childcare and online support improve glucose tolerance in women within 5 years of gestational diabetes pregnancy. Cardiovasc Diabetol, 13, 104. doi:10.1186/1475-2840-13-104
Brug, J., Oenema, A., & Ferreira, I. (2005). Theory, evidence and Intervention Mapping to improve behavior nutrition and physical activity interventions. Int J Behav Nutr Phys Act, 2(1), 2. doi:10.1186/1479-5868-2-2
Brunner, S., Stecher, L., Ziebarth, S., Nehring, I., Rifas-Shiman, S. L., Sommer, C., . . . von Kries, R. (2015). Excessive gestational weight gain prior to glucose screening and the
256
risk of gestational diabetes: A meta-analysis. Diabetologia, 58(10), 2229-2237. doi:10.1007/s00125-015-3686-5
Buckley, B. S., Harreiter, J., Damm, P., Corcoy, R., Chico, A., Simmons, D., . . . Dunne, F. (2012). Gestational diabetes mellitus in Europe: Prevalence, current screening practice and barriers to screening. A review. Diabet Med, 29(7), 844-854. doi:10.1111/j.1464-5491.2011.03541.x
Cade, J., Thompson, R., Burley, V., & Warm, D. (2002). Development, validation and utilisation of food-frequency questionnaires - A review. Public Health Nutr, 5(4), 567-587. doi:10.1079/phn2001318
Campbell, D. R., Gross, M. D., Martini, M. C., Grandits, G. A., Slavin, J. L., & Potter, J. D. (1994). Plasma carotenoids as biomarkers of vegetable and fruit intake. Cancer Epidemiol Biomarkers Prev, 3(6), 493-500.
Canadian Diabetes Association. (2009). Economic tsunami: The cost of diabetes in Canada. Canadian Diabetes Association.
Canadian Diabetes Association. (2014). The prevalence and costs of diabetes. Retrieved from http://archive.diabetes.ca/files/prevalence-and-costs.pdf
Carter, P., Gray, L. J., Troughton, J., Khunti, K., & Davies, M. J. (2010). Fruit and vegetable intake and incidence of type 2 diabetes mellitus: Systematic review and meta-analysis. BMJ, 341, c4229. doi:10.1136/bmj.c4229
Cavicchia, P. P., Liu, J., Adams, S. A., Steck, S. E., Hussey, J. R., Daguise, V. G., & Hebert, J. R. (2014). Proportion of gestational diabetes mellitus attributable to overweight and obesity among non-Hispanic black, non-Hispanic white, and Hispanic women in South Carolina. Matern Child Health J, 18(8), 1919-1926. doi:10.1007/s10995-014-1437-8
Chamberlain, C. R., Oldenburg, B., Wilson, A. N., Eades, S., O'Dea, K., Oats, J., & Wolfe, R. (2015). Type 2 diabetes after gestational diabetes: greater than fourfold risk among Indigenous compared to non-Indigenous Australian women. Diabetes Metab Res Rev. doi:10.1002/dmrr.2715
Chapman, K. (2010). Can people make healthy changes to their diet and maintain them in the long term? A review of the evidence. Appetite, 54(3), 433-441. doi:10.1016/j.appet.2010.01.017
Chasan-Taber, L. (2015). Lifestyle interventions to reduce risk of diabetes among women with prior gestational diabetes mellitus. Best Pract Res Clin Obstet Gynaecol, 29(1), 110-122. doi:10.1016/j.bpobgyn.2014.04.019
Chasteen, A. L., Park, D. C., & Schwarz, N. (2001). Implementation intentions and facilitation of prospective memory. Psychol Sci, 12(6), 457-461.
Chen, X. J., Wang, Y., Liu, L. L., Cui, J. F., Gan, M. Y., Shum, D. H., & Chan, R. C. (2015). The effect of implementation intention on prospective memory: a systematic and meta-analytic review. Psychiatry Res, 226(1), 14-22. doi:10.1016/j.psychres.2015.01.011
Chuang, C. H., Weisman, C. S., Hillemeier, M. M., Schwarz, E. B., Camacho, F. T., & Dyer, A. M. (2010). Pregnancy intention and health behaviors: Results from the Central Pennsylvania Women's Health Study cohort. Matern Child Health J, 14(4), 501-510. doi:10.1007/s10995-009-0453-6
Clausen, T. D., Mathiesen, E. R., Hansen, T., Pedersen, O., Jensen, D. M., Lauenborg, J., & Damm, P. (2008). High prevalence of type 2 diabetes and pre-diabetes in adult offspring of women with gestational diabetes mellitus or type 1 diabetes: The role of intrauterine hyperglycemia. Diabetes Care, 31(2), 340-346. doi:10.2337/dc07-1596
257
Cobiac, L. J., Vos, T., & Veerman, J. L. (2010). Cost-effectiveness of interventions to promote fruit and vegetable consumption. PLoS One, 5(11), e14148. doi:10.1371/journal.pone.0014148
Cohen, J. (1992). A power primer. Psychol Bull, 112(1), 155-159. Colon-Ramos, U., Thompson, F. E., Yaroch, A. L., Moser, R. P., McNeel, T. S., Dodd, K.
W., . . . Nebeling, L. (2009). Differences in fruit and vegetable intake among Hispanic subgroups in California: Results from the 2005 California Health Interview Survey. J Am Diet Assoc, 109(11), 1878-1885. doi:10.1016/j.jada.2009.08.015
Comité d'experts des Lignes directrices de pratique clinique de l’Association canadienne du diabète. (2013). Lignes directrices de pratique clinique 2013 de l’Association canadienne du diabète pour la prévention et le traitement du diabète au Canada. Can J Diabetes, 37(Suppl. 5), S361-S598.
Contento, I. R., Randell, J. S., & Basch, C. E. (2002). Review and analysis of evaluation measures used in nutrition education intervention research. J Nutr Educ Behav, 34(1), 2-25.
Cooper, A. J., Forouhi, N. G., Ye, Z., Buijsse, B., Arriola, L., Balkau, B., . . . Wareham, N. J. (2012). Fruit and vegetable intake and type 2 diabetes: EPIC-InterAct prospective study and meta-analysis. Eur J Clin Nutr, 66(10), 1082-1092. doi:10.1038/ejcn.2012.85
Cooper, A. J., Sharp, S. J., Lentjes, M. A., Luben, R. N., Khaw, K. T., Wareham, N. J., & Forouhi, N. G. (2012). A prospective study of the association between quantity and variety of fruit and vegetable intake and incident type 2 diabetes. Diabetes Care, 35(6), 1293-1300. doi:10.2337/dc11-2388
Cormier, H., Vigneault, J., Garneau, V., Tchernof, A., Vohl, M. C., Weisnagel, S. J., & Robitaille, J. (2015). An explained variance-based genetic risk score associated with gestational diabetes antecedent and with progression to pre-diabetes and type 2 diabetes: A cohort study. Bjog, 122(3), 411-419. doi:10.1111/1471-0528.12937
Correa, A., Bardenheier, B., Elixhauser, A., Geiss, L. S., & Gregg, E. (2015). Trends in prevalence of diabetes among delivery hospitalizations, United States, 1993-2009. Matern Child Health J, 19(3), 635-642. doi:10.1007/s10995-014-1553-5
Craig, P., Dieppe, P., Macintyre, S., Michie, S., Nazareth, I., & Petticrew, M. (2008). Developing and evaluating complex interventions: The new Medical Research Council guidance. BMJ, 337, a1655. doi:10.1136/bmj.a1655
Crawford, F., Inkster, M., Kleijnen, J., & Fahey, T. (2007). Predicting foot ulcers in patients with diabetes: A systematic review and meta-analysis. Qjm, 100(2), 65-86. doi:10.1093/qjmed/hcl140
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-334.
Crozier, S. R., Robinson, S. M., Borland, S. E., Godfrey, K. M., Cooper, C., & Inskip, H. M. (2009). Do women change their health behaviours in pregnancy? Findings from the Southampton Women's Survey. Paediatr Perinat Epidemiol, 23(5), 446-453. doi:10.1111/j.1365-3016.2009.01036.x
Cuervo, M., Goni, L., Santiago, S., Zazpe, I., Garcia, A., & Martinez, J. A. (2014). Sociodemographic and dietary profile of 4,471 childbearing-age women planning a pregnancy. Nutr Hosp, 29(2), 337-343. doi:10.3305/nh.2014.29.2.7082
Dalton, A. N., & Spiller, S. A. (2012). Too much of a good thing: The benefits of implementation intentions depend on the number of goals. J Consum Res, 39(3), 600-614.
258
Davies, M., Brophy, S., Williams, R., & Taylor, A. (2006). The prevalence, severity, and impact of painful diabetic peripheral neuropathy in type 2 diabetes. Diabetes Care, 29(7), 1518-1522. doi:10.2337/dc05-2228
Davis, J. N., Hodges, V. A., & Gillham, M. B. (2006). Normal-weight adults consume more fiber and fruit than their age- and height-matched overweight/obese counterparts. J Am Diet Assoc, 106(6), 833-840. doi:10.1016/j.jada.2006.03.013
Dekkers, O. M., von Elm, E., Algra, A., Romijn, J. A., & Vandenbroucke, J. P. (2010). How to assess the external validity of therapeutic trials: A conceptual approach. Int J Epidemiol, 39(1), 89-94. doi:10.1093/ije/dyp174
DeSisto, C. L., Kim, S. Y., & Sharma, A. J. (2014). Prevalence estimates of gestational diabetes mellitus in the United States, Pregnancy Risk Assessment Monitoring System (PRAMS), 2007-2010. Prev Chronic Dis, 11, E104. doi:10.5888/pcd11.130415
Dholakia, U. M. (2010). A critical review of question-behavior effect research. Rev Mark Res, 7, 145-197.
Diabète Québec et Association Canadienne du Diabète. (2013). Diabète : Le Canada à l’heure de la remise en question – tracer une nouvelle voie. Retrieved from https://www.diabetes.ca/CDA/media/documents/publications-and-newsletters/advocacy-reports/canada-at-the-tipping-point-french.pdf
Diener, M. J., Hilsenroth, M. J., & Weinberger, J. (2009). A primer on meta-analysis of correlation coefficients: The relationship between patient-reported therapeutic alliance and adult attachment style as an illustration. Psychother Res, 19(4-5), 519-526. doi:10.1080/10503300802491410
Dodd, J. M., Cramp, C., Sui, Z., Yelland, L. N., Deussen, A. R., Grivell, R. M., . . . Robinson, J. S. (2014). The effects of antenatal dietary and lifestyle advice for women who are overweight or obese on maternal diet and physical activity: The LIMIT randomised trial. BMC Med, 12, 161. doi:10.1186/s12916-014-0161-y
Dyck, R., Klomp, H., Tan, L. K., Turnell, R. W., & Boctor, M. A. (2002). A comparison of rates, risk factors, and outcomes of gestational diabetes between aboriginal and non-aboriginal women in the Saskatoon health district. Diabetes Care, 25(3), 487-493.
Eboh, C., & Chowdhury, T. A. (2015). Management of diabetic renal disease. Ann Transl Med, 3(11), 154. doi:10.3978/j.issn.2305-5839.2015.06.25
Edvardsson, K., Ivarsson, A., Eurenius, E., Garvare, R., Nystrom, M. E., Small, R., & Mogren, I. (2011). Giving offspring a healthy start: parents' experiences of health promotion and lifestyle change during pregnancy and early parenthood. BMC Public Health, 11, 936. doi:10.1186/1471-2458-11-936
England, L., Kotelchuck, M., Wilson, H. G., Diop, H., Oppedisano, P., Kim, S. Y., . . . Shapiro-Mendoza, C. K. (2015). Estimating the recurrence rate of gestational diabetes mellitus (GDM) in Massachusetts 1998-2007: Methods and findings. Matern Child Health J, 19(10), 2303-2313. doi:10.1007/s10995-015-1750-x
Epton, T., Norman, P., Harris, P., Webb, T., Snowsill, F. A., & Sheeran, P. (2014). Development of theory-based health messages: Three-phase programme of formative research. Health Promot Int. doi:10.1093/heapro/dau005
Erkkola, M., Karppinen, M., Jarvinen, A., Knip, M., & Virtanen, S. M. (1998). Folate, vitamin D, and iron intakes are low among pregnant Finnish women. Eur J Clin Nutr, 52(10), 742-748.
European Food Information Council. (2012). Fruit and vegetable consumption in Europe – do Europeans get enough? Retrieved from http://www.eufic.org/article/en/expid/Fruit-vegetable-consumption-Europe/
259
Fardet, A., & Boirie, Y. (2014). Associations between food and beverage groups and major diet-related chronic diseases: an exhaustive review of pooled/meta-analyses and systematic reviews. Nutr Rev, 72(12), 741-762. doi:10.1111/nure.12153
Ferland, S., & O'Brien, H. T. (2003). Maternal dietary intake and pregnancy outcome. J Reprod Med, 48(2), 86-94.
Fermanian, J. (1984). [Measuring agreement between 2 observers: A quantitative case]. Rev Epidemiol Sante Publique, 32(6), 408-413.
Ferranti, E. P., Narayan, K. M., Reilly, C. M., Foster, J., McCullough, M., Ziegler, T. R., . . . Dunbar, S. B. (2014). Dietary self-efficacy predicts AHEI diet quality in women with previous gestational diabetes. Diabetes Educ, 40(5), 688-699. doi:10.1177/0145721714539735
Ferrara, A. (2007). Increasing prevalence of gestational diabetes mellitus: A public health perspective. Diabetes Care, 30 Suppl 2, S141-146. doi:10.2337/dc07-s206
Festinger, L. (1957). A theory of cognitive dissonance. Evanston, IL: Row & Peterson. Field, A. P. (2001). Meta-analysis of correlation coefficients: A Monte Carlo comparison of
fixed- and random-effects methods. Psychol Methods, 6(2), 161-180. Fishbein, M., & Ajzen, I. (2010). Predicting and changing behavior: The reasoned action
approach. New York: Psychology Press. Fishbein, M., & Yzer, M. C. (2003). Using theory to design effective health behavior
interventions. Comm Theory, 13(2), 164-183. Flaxman, S. M., & Sherman, P. W. (2000). Morning sickness: a mechanism for protecting
mother and embryo. Q Rev Biol, 75(2), 113-148. Flood, A., Mai, V., Pfeiffer, R., Kahle, L., Remaley, A. T., Rosen, C. J., . . . Schatzkin, A.
(2008). The effects of a high-fruit and -vegetable, high-fiber, low-fat dietary intervention on serum concentrations of insulin, glucose, IGF-I and IGFBP-3. Eur J Clin Nutr, 62(2), 186-196. doi:10.1038/sj.ejcn.1602726
Fowler, J. K., Evers, S. E., & Campbell, M. K. (2012). Inadequate dietary intakes among pregnant women. Can J Diet Pract Res, 73(2), 72-77. doi:10.3148/73.2.2012.72
French, D. P., & Sutton, S. (2010). Reactivity of measurement in health psychology: How much of a problem is it? What can be done about it? Br J Health Psychol, 15(Pt 3), 453-468. doi:10.1348/135910710x492341
French, S. D., Green, S. E., O'Connor, D. A., McKenzie, J. E., Francis, J. J., Michie, S., . . . Grimshaw, J. M. (2012). Developing theory-informed behaviour change interventions to implement evidence into practice: A systematic approach using the Theoretical Domains Framework. Implement Sci, 7, 38. doi:10.1186/1748-5908-7-38
Frew, P. M., Saint-Victor, D. S., Isaacs, M. B., Kim, S., Swamy, G. K., Sheffield, J. S., . . . Ault, K. (2014). Recruitment and retention of pregnant women into clinical research trials: An overview of challenges, facilitators, and best practices. Clin Infect Dis, 59 Suppl 7, S400-407. doi:10.1093/cid/ciu726
Gallo, I. S., Keil, A., McCulloch, K. C., Rockstroh, B., & Gollwitzer, P. M. (2009). Strategic automation of emotion regulation. J Pers Soc Psychol, 96(1), 11-31. doi:10.1037/a0013460
Gan, Y., Tong, X., Li, L., Cao, S., Yin, X., Gao, C., . . . Lu, Z. (2015). Consumption of fruit and vegetable and risk of coronary heart disease: A meta-analysis of prospective cohort studies. Int J Cardiol, 183, 129-137. doi:10.1016/j.ijcard.2015.01.077
Gandini, S., Merzenich, H., Robertson, C., & Boyle, P. (2000). Meta-analysis of studies on breast cancer risk and diet: The role of fruit and vegetable consumption and the intake of associated micronutrients. Eur J Cancer, 36(5), 636-646.
260
Gardner, B., Croker, H., Barr, S., Briley, A., Poston, L., & Wardle, J. (2012). Psychological predictors of dietary intentions in pregnancy. J Hum Nutr Diet, 25(4), 345-353. doi:10.1111/j.1365-277X.2012.01239.x
Garriguet, D. (2009). Diet quality in Canada. Health Rep, 20(3), 41-52. Gibson, R. S. (2005). Principles of nutritional assessment (2nd ed.). New York: Oxford
University Press. Gilinsky, A. S., Kirk, A. F., Hughes, A. R., & Lindsay, R. S. (2015). Lifestyle interventions
for type 2 diabetes prevention in women with prior gestational diabetes: A systematic review and meta-analysis of behavioural, anthropometric and metabolic outcomes. Prev Med Rep, 2, 448-461. doi:10.1016/j.pmedr.2015.05.009
Gittelsohn, J., Steckler, A., Johnson, C. C., Pratt, C., Grieser, M., Pickrel, J., . . . Staten, L. K. (2006). Formative research in school and community-based health programs and studies: "state of the art" and the TAAG approach. Health Educ Behav, 33(1), 25-39. doi:10.1177/1090198105282412
Godin, G., Amireault, S., Vezina-Im, L. A., Sheeran, P., Conner, M., Germain, M., & Delage, G. (2013). Implementation intentions intervention among temporarily deferred novice blood donors. Transfusion, 53(8), 1653-1660. doi:10.1111/j.1537-2995.2012.03939.x
Godin, G., Bélanger-Gravel, A., Paradis, A.-M., Vohl, M.-C., & Pérusse, L. (2008). A simple method to assess fruit and vegetable intake among obese and non-obese individuals. Can J Public Health, 99(6), 494-498.
Godin, G., Germain, M., Conner, M., Delage, G., & Sheeran, P. (2014). Promoting the return of lapsed blood donors: A seven-arm randomized controlled trial of the question-behavior effect. Health Psychol, 33(7), 646-655. doi:10.1037/a0033505
Godin, G., Sheeran, P., Conner, M., Delage, G., Germain, M., Belanger-Gravel, A., & Naccache, H. (2010). Which survey questions change behavior? Randomized controlled trial of mere measurement interventions. Health Psychol, 29(6), 636-644. doi:10.1037/a0021131
Godinho, C. A., Alvarez, M. J., & Lima, M. L. (2013). Formative research on HAPA model determinants for fruit and vegetable intake: Target beliefs for audiences at different stages of change. Health Educ Res, 28(6), 1014-1028. doi:10.1093/her/cyt076
Gollwitzer, P. M. (1999). Implementation intentions: Strong effects of simple plans. Am Psychol, 54(7), 493-503.
Gollwitzer, P. M., & Oettingen, G. (2008). The question-behavior effect from an action control perspective. J Consum Res, 18(2), 107-110.
Gollwitzer, P. M., & Sheeran, P. (2006). Implementation intentions and goal achievement: A meta-analysis of effects and processes. In M. P. Zanna (Ed.), Advances in experimental social psychology, Vol 38 (pp. 69-119). San Diego, CA, US: Elsevier Academic Press.
Goulet, J., Nadeau, G., Lapointe, A., Lamarche, B., & Lemieux, S. (2004). Validity and reproducibility of an interviewer-administered food frequency questionnaire for healthy French-Canadian men and women. Nutr J, 3, 13. doi:10.1186/1475-2891-3-13
Greene, G. W., Resnicow, K., Thompson, F. E., Peterson, K. E., Hurley, T. G., Hebert, J. R., . . . Nebeling, L. (2008). Correspondence of the NCI Fruit and Vegetable Screener to repeat 24-H recalls and serum carotenoids in behavioral intervention trials. J Nutr, 138(1), 200s-204s.
Guelinckx, I., Devlieger, R., Mullie, P., & Vansant, G. (2010). Effect of lifestyle intervention on dietary habits, physical activity, and gestational weight gain in obese pregnant women: A randomized controlled trial. Am J Clin Nutr, 91(2), 373-380. doi:10.3945/ajcn.2009.28166
261
Guillaumie, L., Godin, G., & Vézina-Im, L. A. (2010). Psychosocial determinants of fruit and vegetable intake in adult population: A systematic review. Int J Behav Nutr Phys Act, 7, 12.
Haffner, S. M., Lehto, S., Ronnemaa, T., Pyorala, K., & Laakso, M. (1998). Mortality from coronary heart disease in subjects with type 2 diabetes and in nondiabetic subjects with and without prior myocardial infarction. N Engl J Med, 339(4), 229-234. doi:10.1056/nejm199807233390404
Hagger, M. S., & Luszczynska, A. (2014). Implementation intention and action planning interventions in health Contexts: State of the research and proposals for the way forward. Appl Psychol Health Well Being, 6(1), 1-47. doi:10.1111/aphw.12017
Han, S., Crowther, C. A., & Middleton, P. (2012). Interventions for pregnant women with hyperglycaemia not meeting gestational diabetes and type 2 diabetes diagnostic criteria. Cochrane Database Syst Rev, 1, CD009037. doi:10.1002/14651858.CD009037.pub2
Han, S., Crowther, C. A., Middleton, P., & Heatley, E. (2013). Different types of dietary advice for women with gestational diabetes mellitus. Cochrane Database Syst Rev, 3, CD009275. doi:10.1002/14651858.CD009275.pub2
Harding, A. H., Wareham, N. J., Bingham, S. A., Khaw, K., Luben, R., Welch, A., & Forouhi, N. G. (2008). Plasma vitamin C level, fruit and vegetable consumption, and the risk of new-onset type 2 diabetes mellitus: The European prospective investigation of cancer--Norfolk prospective study. Arch Intern Med, 168(14), 1493-1499. doi:10.1001/archinte.168.14.1493
Harreiter, J., Dovjak, G., & Kautzky-Willer, A. (2014). Gestational diabetes mellitus and cardiovascular risk after pregnancy. Womens Health (Lond Engl), 10(1), 91-108. doi:10.2217/whe.13.69
Harris, S. B., Caulfield, L. E., Sugamori, M. E., Whalen, E. A., & Henning, B. (1997). The epidemiology of diabetes in pregnant Native Canadians. A risk profile. Diabetes Care, 20(9), 1422-1425.
Hartley, L., Igbinedion, E., Holmes, J., Flowers, N., Thorogood, M., Clarke, A., . . . Rees, K. (2013). Increased consumption of fruit and vegetables for the primary prevention of cardiovascular diseases. Cochrane Database Syst Rev, 6, CD009874. doi:10.1002/14651858.CD009874.pub2
He, F. J., Nowson, C. A., & MacGregor, G. A. (2006). Fruit and vegetable consumption and stroke: Meta-analysis of cohort studies. Lancet, 367(9507), 320-326. doi:10.1016/s0140-6736(06)68069-0
He, K., Hu, F. B., Colditz, G. A., Manson, J. E., Willett, W. C., & Liu, S. (2004). Changes in intake of fruits and vegetables in relation to risk of obesity and weight gain among middle-aged women. Int J Obes Relat Metab Disord, 28(12), 1569-1574. doi:10.1038/sj.ijo.0802795
He, X. J., Qin, F. Y., Hu, C. L., Zhu, M., Tian, C. Q., & Li, L. (2015). Is gestational diabetes mellitus an independent risk factor for macrosomia: A meta-analysis? Arch Gynecol Obstet, 291(4), 729-735. doi:10.1007/s00404-014-3545-5
Heckhausen, H., & Gollwitzer, P. M. (1987). Thought contents and cognitive functioning in motivational versus volitional states of mind. Motivation and Emotion, 11(2), 101-120.
Hedderson, M. M., Gunderson, E. P., & Ferrara, A. (2010). Gestational weight gain and risk of gestational diabetes mellitus. Obstet Gynecol, 115(3), 597-604. doi:10.1097/AOG.0b013e3181cfce4f
Henderson, M. D., Gollwitzer, P. M., & Oettingen, G. (2007). Implementation intentions and disengagement from a failing course of action. J Behav Decis Mak, 20(1), 81-102.
262
Hillemeier, M. M., Downs, D. S., Feinberg, M. E., Weisman, C. S., Chuang, C. H., Parrott, R., . . . Chinchilli, V. M. (2008). Improving women's preconceptional health: Findings from a randomized trial of the Strong Healthy Women intervention in the Central Pennsylvania women's health study. Womens Health Issues, 18(6 Suppl), S87-96. doi:10.1016/j.whi.2008.07.008
Hirschberg, A. L. (1998). Hormonal regulation of appetite and food intake. Ann Med, 30(1), 7-20.
Hogan, T. P. (2003). Psychological testing: A practical introduction. Hoboken: John Wiley & Sons.
Hu, D., Huang, J., Wang, Y., Zhang, D., & Qu, Y. (2014). Fruits and vegetables consumption and risk of stroke: A meta-analysis of prospective cohort studies. Stroke, 45(6), 1613-1619. doi:10.1161/strokeaha.114.004836
Inskip, H. M., Crozier, S. R., Godfrey, K. M., Borland, S. E., Cooper, C., & Robinson, S. M. (2009). Women's compliance with nutrition and lifestyle recommendations before pregnancy: General population cohort study. BMJ, 338, b481. doi:10.1136/bmj.b481
Institut national de prévention et d'éducation pour la santé. (2015). La santé en mangeant et en bougeant: Le guide nutrition de la grossesse. France: Institut national de prévention et d'éducation pour la santé.
Jacques, S., Lemieux, S., Lamarche, B., Laramée, C., Corneau, L., Lapointe, A., . . . Robitaille, J. (Soumis pour publication). Development of a web-based 24-hour dietery recall. Food Sci Nutr.
Jansen, M. C., Van Kappel, A. L., Ocke, M. C., Van 't Veer, P., Boshuizen, H. C., Riboli, E., & Bueno-de-Mesquita, H. B. (2004). Plasma carotenoid levels in Dutch men and women, and the relation with vegetable and fruit consumption. Eur J Clin Nutr, 58(10), 1386-1395. doi:10.1038/sj.ejcn.1601981
Jansen, R. J., Robinson, D. P., Stolzenberg-Solomon, R. Z., Bamlet, W. R., de Andrade, M., Oberg, A. L., . . . Petersen, G. M. (2011). Fruit and vegetable consumption is inversely associated with having pancreatic cancer. Cancer Causes Control, 22(12), 1613-1625. doi:10.1007/s10552-011-9838-0
Jansen, R. J., Robinson, D. P., Stolzenberg-Solomon, R. Z., Bamlet, W. R., de Andrade, M., Oberg, A. L., . . . Petersen, G. M. (2013). Nutrients from fruit and vegetable consumption reduce the risk of pancreatic cancer. J Gastrointest Cancer, 44(2), 152-161. doi:10.1007/s12029-012-9441-y
Joshipura, K. J., Ascherio, A., Manson, J. E., Stampfer, M. J., Rimm, E. B., Speizer, F. E., . . . Willett, W. C. (1999). Fruit and vegetable intake in relation to risk of ischemic stroke. JAMA, 282(13), 1233-1239.
Joshipura, K. J., Hu, F. B., Manson, J. E., Stampfer, M. J., Rimm, E. B., Speizer, F. E., . . . Willett, W. C. (2001). The effect of fruit and vegetable intake on risk for coronary heart disease. Ann Intern Med, 134(12), 1106-1114.
Jovanovic, L., Liang, Y., Weng, W., Hamilton, M., Chen, L., & Wintfeld, N. (2015). Trends in the incidence of diabetes, its clinical sequelae, and associated costs in pregnancy. Diabetes Metab Res Rev, 31(7), 707-716. doi:10.1002/dmrr.2656
Kaaks, R. J. (1997). Biochemical markers as additional measurements in studies of the accuracy of dietary questionnaire measurements: Conceptual issues. Am J Clin Nutr, 65(4 Suppl), 1232s-1239s.
Kahn, H. S., Tatham, L. M., Rodriguez, C., Calle, E. E., Thun, M. J., & Heath, C. W., Jr. (1997). Stable behaviors associated with adults' 10-year change in body mass index and likelihood of gain at the waist. Am J Public Health, 87(5), 747-754.
263
Kamphuis, C. B., Giskes, K., de Bruijn, G. J., Wendel-Vos, W., Brug, J., & van Lenthe, F. J. (2006). Environmental determinants of fruit and vegetable consumption among adults: A systematic review. Br J Nutr, 96(4), 620-635.
Kampmann, U., Madsen, L. R., Skajaa, G. O., Iversen, D. S., Moeller, N., & Ovesen, P. (2015). Gestational diabetes: A clinical update. World Journal of Diabetes, 6(8), 1065-1072. doi:10.4239/wjd.v6.i8.1065
Kanguru, L., Bezawada, N., Hussein, J., & Bell, J. (2014). The burden of diabetes mellitus during pregnancy in low- and middle-income countries: A systematic review. Glob Health Action, 7, 23987. doi:10.3402/gha.v7.23987
Kc, K., Shakya, S., & Zhang, H. (2015). Gestational diabetes mellitus and macrosomia: A literature review. Ann Nutr Metab, 66 Suppl 2, 14-20. doi:10.1159/000371628
Kempen, J. H., O'Colmain, B. J., Leske, M. C., Haffner, S. M., Klein, R., Moss, S. E., . . . Hamman, R. F. (2004). The prevalence of diabetic retinopathy among adults in the United States. Arch Ophthalmol, 122(4), 552-563. doi:10.1001/archopht.122.4.552
Kieffer, E. C., Sinco, B., & Kim, C. (2006). Health behaviors among women of reproductive age with and without a history of gestational diabetes mellitus. Diabetes Care, 29(8), 1788-1793. doi:10.2337/dc06-0199
Kim, C., Berger, D. K., & Chamany, S. (2007). Recurrence of gestational diabetes mellitus: A systematic review. Diabetes Care, 30(5), 1314-1319. doi:10.2337/dc06-2517
Kim, C., McEwen, L. N., Piette, J. D., Goewey, J., Ferrara, A., & Walker, E. A. (2007). Risk perception for diabetes among women with histories of gestational diabetes mellitus. Diabetes Care, 30(9), 2281-2286. doi:10.2337/dc07-0618
Kim, C., Newton, K. M., & Knopp, R. H. (2002). Gestational diabetes and the incidence of type 2 diabetes: A systematic review. Diabetes Care, 25(10), 1862-1868.
Kim, D. J., & Holowaty, E. J. (2003). Brief, validated survey instruments for the measurement of fruit and vegetable intakes in adults: A review. Prev Med, 36(4), 440-447.
Kim, S. Y., Sharma, A. J., & Callaghan, W. M. (2012). Gestational diabetes and childhood obesity: What is the link? Curr Opin Obstet Gynecol, 24(6), 376-381. doi:10.1097/GCO.0b013e328359f0f4
King, A. C. (2015). Theory's role in shaping behavioral health research for population health. Int J Behav Nutr Phys Act, 12, 146. doi:10.1186/s12966-015-0307-0
Kinnunen, T. I., Puhkala, J., Raitanen, J., Ahonen, S., Aittasalo, M., Virtanen, S. M., & Luoto, R. (2014). Effects of dietary counselling on food habits and dietary intake of Finnish pregnant women at increased risk for gestational diabetes - A secondary analysis of a cluster-randomized controlled trial. Matern Child Nutr, 10(2), 184-197. doi:10.1111/j.1740-8709.2012.00426.x
Knowler, W. C., Barrett-Connor, E., Fowler, S. E., Hamman, R. F., Lachin, J. M., Walker, E. A., & Nathan, D. M. (2002). Reduction in the incidence of type 2 diabetes with lifestyle intervention or metformin. N Engl J Med, 346(6), 393-403. doi:10.1056/NEJMoa012512
Kok, G., Gottlieb, N. H., Peters, G. J., Mullen, P. D., Parcel, G. S., Ruiter, R. A., . . . Bartholomew, L. K. (2016). A taxonomy of behaviour change methods: An Intervention Mapping approach. Health Psychol Rev, 10(3), 297-312. doi:10.1080/17437199.2015.1077155
Kok, G., Schaalma, H., Ruiter, R. A., van Empelen, P., & Brug, J. (2004). Intervention mapping: Protocol for applying health psychology theory to prevention programmes. J Health Psychol, 9(1), 85-98.
Kovacs Burns, K., Nicolucci, A., Holt, R. I., Willaing, I., Hermanns, N., Kalra, S., . . . Peyrot, M. (2013). Diabetes Attitudes, Wishes and Needs second study (DAWN2): Cross-
264
national benchmarking indicators for family members living with people with diabetes. Diabet Med, 30(7), 778-788. doi:10.1111/dme.12239
Kromhout, D., Bloemberg, B., Seidell, J. C., Nissinen, A., & Menotti, A. (2001). Physical activity and dietary fiber determine population body fat levels: The Seven Countries Study. Int J Obes Relat Metab Disord, 25(3), 301-306. doi:10.1038/sj.ijo.0801568
Kwasnicka, D., Presseau, J., White, M., & Sniehotta, F. F. (2013). Does planning how to cope with anticipated barriers facilitate health-related behaviour change? A systematic review. Health Psychol Rev, 7(2), 129-145.
Lamontagne, P., Plante, C., & Rochette, L. (2011). La consommation alimentaire des adultes québécois selon le poids corporel: Exploration des données de l'Enquête sur la santé dans les collectivités canadiennes 2.2 - Nutrition. Québec: Institut national de santé publique.
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159-174.
Landry, M., Plante, C., Larocque, I., Simard, M., & Kègle, P. L. (2015). Le diabète à Montréal: Un problème qui continue de prendre de l'ampleur. Montréal: Institut national de santé publique.
Laraia, B. A., Bodnar, L. M., & Siega-Riz, A. M. (2007). Pregravid body mass index is negatively associated with diet quality during pregnancy. Public Health Nutr, 10(9), 920-926. doi:10.1017/s1368980007657991
Laraia, B. A., Siega-Riz, A. M., Kaufman, J. S., & Jones, S. J. (2004). Proximity of supermarkets is positively associated with diet quality index for pregnancy. Prev Med, 39(5), 869-875. doi:10.1016/j.ypmed.2004.03.018
Ledoux, T. A., Hingle, M. D., & Baranowski, T. (2011). Relationship of fruit and vegetable intake with adiposity: A systematic review. Obes Rev, 12(5), e143-150. doi:10.1111/j.1467-789X.2010.00786.x
Lee-Han, H., McGuire, V., & Boyd, N. F. (1989). A review of the methods used by studies of dietary measurement. J Clin Epidemiol, 42(3), 269-279.
Ley, S. H., Hanley, A. J., Retnakaran, R., Sermer, M., Zinman, B., & O'Connor, D. L. (2011). Effect of macronutrient intake during the second trimester on glucose metabolism later in pregnancy. Am J Clin Nutr, 94(5), 1232-1240. doi:10.3945/ajcn.111.018861
Lin, B.-H., & Morrison, R. M. (2002). Higher fruit consumption linked with lower body mass index. Food Rev, 25(3), 28-32.
Littell, J. H. (2008). Systematic reviews and meta-analysis. Toronto: Oxford University Press. Liu, S., Manson, J. E., Lee, I. M., Cole, S. R., Hennekens, C. H., Willett, W. C., & Buring, J.
E. (2000). Fruit and vegetable intake and risk of cardiovascular disease: The Women's Health Study. Am J Clin Nutr, 72(4), 922-928.
Liu, S., Serdula, M., Janket, S. J., Cook, N. R., Sesso, H. D., Willett, W. C., . . . Buring, J. E. (2004). A prospective study of fruit and vegetable intake and the risk of type 2 diabetes in women. Diabetes Care, 27(12), 2993-2996.
Lundqvist, A., Johansson, I., Wennberg, A., Hultdin, J., Hogberg, U., Hamberg, K., & Sandstrom, H. (2014). Reported dietary intake in early pregnant compared to non-pregnant women - A cross-sectional study. BMC Pregnancy Childbirth, 14, 373. doi:10.1186/s12884-014-0373-3
Lunet, N., Lacerda-Vieira, A., & Barros, H. (2005). Fruit and vegetables consumption and gastric cancer: A systematic review and meta-analysis of cohort studies. Nutr Cancer, 53(1), 1-10. doi:10.1207/s15327914nc5301_1
Lynch, C. P., Baker, N., Korte, J. E., Mauldin, J. G., Mayorga, M. E., & Hunt, K. J. (2015). Increasing prevalence of diabetes during pregnancy in South Carolina. J Womens Health (Larchmt), 24(4), 316-323. doi:10.1089/jwh.2014.4968
265
Magalhaes, B., Peleteiro, B., & Lunet, N. (2012). Dietary patterns and colorectal cancer: Systematic review and meta-analysis. Eur J Cancer Prev, 21(1), 15-23. doi:10.1097/CEJ.0b013e3283472241
Mankarious, E., & Kothe, E. (2015). A meta-analysis of the effects of measuring theory of planned behaviour constructs on behaviour within prospective studies. Health Psychol Rev, 9(2), 190-204. doi:10.1080/17437199.2014.927722
Mann, J., & Aune, D. (2010). Can specific fruits and vegetables prevent diabetes? BMJ, 341, c4395. doi:10.1136/bmj.c4395
Martijn, C., Alberts, H., Sheeran, P., Peters, G. Y., Mikolajczak, J., & de Vries, N. K. (2008). Blocked goals, persistent action: Implementation intentions engender tenacious goal striving. J Exp Soc Psychol, 44(4), 1137-1143.
Martini, M. C., Campbell, D. R., Gross, M. D., Grandits, G. A., Potter, J. D., & Slavin, J. L. (1995). Plasma carotenoids as biomarkers of vegetable intake: The University of Minnesota Cancer Prevention Research Unit Feeding Studies. Cancer Epidemiol Biomarkers Prev, 4(5), 491-496.
Mayen, A. L., Marques-Vidal, P., Paccaud, F., Bovet, P., & Stringhini, S. (2014). Socioeconomic determinants of dietary patterns in low- and middle-income countries: A systematic review. Am J Clin Nutr, 100(6), 1520-1531. doi:10.3945/ajcn.114.089029
McCambridge, J. (2015). From question-behaviour effects in trials to the social psychology of research participation. Psychol Health, 30(1), 72-84. doi:10.1080/08870446.2014.953527
McEligot, A. J., Rock, C. L., Flatt, S. W., Newman, V., Faerber, S., & Pierce, J. P. (1999). Plasma carotenoids are biomarkers of long-term high vegetable intake in women with breast cancer. J Nutr, 129(12), 2258-2263.
Metzger, B. E., Gabbe, S. G., Persson, B., Buchanan, T. A., Catalano, P. A., Damm, P., . . . Schmidt, M. I. (2010). International association of diabetes and pregnancy study groups recommendations on the diagnosis and classification of hyperglycemia in pregnancy. Diabetes Care, 33(3), 676-682. doi:10.2337/dc09-1848
Michie, S., & Abraham, C. (2004). Interventions to change health behaviours: Evidence-based or evidence-inspired? Psychol Health, 19(1), 29-49.
Michie, S., Ashford, S., Sniehotta, F. F., Dombrowski, S. U., Bishop, A., & French, D. P. (2011). A refined taxonomy of behaviour change techniques to help people change their physical activity and healthy eating behaviours: The CALO-RE taxonomy. Psychol Health, 26(11), 1479-1498. doi:10.1080/08870446.2010.540664
Michie, S., Atkins, L., & West, R. (2014). The behavior change wheel: A guide to designing interventions. Great Britain: Silverback Publishing.
Michie, S., Fixsen, D., Grimshaw, J. M., & Eccles, M. P. (2009). Specifying and reporting complex behaviour change interventions: The need for a scientific method. Implement Sci, 4, 40.
Michie, S., Johnston, M., Jill, F., Hardeman, W., & Eccles, M. (2008). From theory to intervention: Mapping theoretically derived behavioural determinants to behaviour change techniques. Appl Psychol Int Rev, 57(4), 660-680.
Michie, S., & Prestwich, A. (2010). Are interventions theory-based? Development of a theory coding scheme. Health Psychol, 29(1), 1-8.
Michie, S., Richardson, M., Johnston, M., Abraham, C., Francis, J., Hardeman, W., . . . Wood, C. E. (2013). The behavior change technique taxonomy (v1) of 93 hierarchically clustered techniques: Building an international consensus for the reporting of behavior change interventions. Ann Behav Med, 46(1), 81-95. doi:10.1007/s12160-013-9486-6
266
Mikkelsen, T. B., Olsen, S. F., Rasmussen, S. E., & Osler, M. (2007). Relative validity of fruit and vegetable intake estimated by the food frequency questionnaire used in the Danish National Birth Cohort. Scand J Public Health, 35(2), 172-179. doi:10.1080/14034940600975625
Mirmiran, P., Noori, N., Zavareh, M. B., & Azizi, F. (2009). Fruit and vegetable consumption and risk factors for cardiovascular disease. Metabolism, 58(4), 460-468. doi:10.1016/j.metabol.2008.11.002
Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. Ann Intern Med, 151(4), 264-269, W264.
Molag, M. L., de Vries, J. H., Ocke, M. C., Dagnelie, P. C., van den Brandt, P. A., Jansen, M. C., . . . van't Veer, P. (2007). Design characteristics of food frequency questionnaires in relation to their validity. Am J Epidemiol, 166(12), 1468-1478. doi:10.1093/aje/kwm236
Moon, J. H., Kwak, S. H., Jung, H. S., Choi, S. H., Lim, S., Cho, Y. M., . . . Cho, N. H. (2015). Weight gain and progression to type 2 diabetes in women with a history of gestational diabetes mellitus. J Clin Endocrinol Metab, 100(9), 3548-3555. doi:10.1210/jc.2015-1113
Moore, L. V., Dodd, K. W., Thompson, F. E., Grimm, K. A., Kim, S. A., & Scanlon, K. S. (2015). Using behavioral risk factor surveillance system data to estimate the percentage of the population meeting US Department of Agriculture food patterns fruit and vegetable intake recommendations. Am J Epidemiol, 181(12), 979-988. doi:10.1093/aje/kwu461
Moore, L. V., & Thompson, F. E. (2015). Adults Meeting Fruit and Vegetable Intake Recommendations — United States, 2013. MMWR Morb Mortal Wkly Rep, 64(26), 709-713.
Moran Fagundez, L. J., Rivera Torres, A., Gonzalez Sanchez, M. E., de Torres Aured, M. L., Perez Rodrigo, C., & Irles Rocamora, J. A. (2015). Diet history: Method and applications. Nutr Hosp, 31 Suppl 3, 57-61. doi:10.3305/nh.2015.31.sup3.8752
Moran, V. H., Skinner, A. L., Medina, M. W., Patel, S., Dykes, F., Souverein, O. W., . . . Lowe, N. M. (2012). The relationship between zinc intake and serum/plasma zinc concentration in pregnant and lactating women: A systematic review with dose-response meta-analyses. J Trace Elem Med Biol, 26(2-3), 74-79. doi:10.1016/j.jtemb.2012.04.003
Morisset, A. S., Tchernof, A., Dube, M. C., Veillette, J., Weisnagel, S. J., & Robitaille, J. (2011). Weight gain measures in women with gestational diabetes mellitus. J Womens Health, 20(3), 375-380.
Mossavar-Rahmani, Y., Tinker, L. F., Huang, Y., Neuhouser, M. L., McCann, S. E., Seguin, R. A., . . . Prentice, R. L. (2013). Factors relating to eating style, social desirability, body image and eating meals at home increase the precision of calibration equations correcting self-report measures of diet using recovery biomarkers: findings from the Women's Health Initiative. Nutr J, 12, 63. doi:10.1186/1475-2891-12-63
National Center for Chronic Disease Prevention and Health Promotion. (2013). State indicator report on fruits and vegetables 2013. Atlanta, GA: Centers for Disease Control and Prevention.
National Center for Chronic Disease Prevention and Health Promotion. (2014). National Diabetes Statistics Report, 2014. Retrieved from http://www.cdc.gov/diabetes/pubs/statsreport14/national-diabetes-report-web.pdf
National Health Service. (2015). 5 a day. Retrieved from http://www.nhs.uk/livewell/5aday/Pages/5ADAYhome.aspx
267
Nehring, I., Chmitorz, A., Reulen, H., von Kries, R., & Ensenauer, R. (2013). Gestational diabetes predicts the risk of childhood overweight and abdominal circumference independent of maternal obesity. Diabet Med, 30(12), 1449-1456. doi:10.1111/dme.12286
Nelson, L. H., & Tucker, L. A. (1996). Diet composition related to body fat in a multivariate study of 203 men. J Am Diet Assoc, 96(8), 771-777. doi:10.1016/s0002-8223(96)00215-5
Nicolucci, A., Kovacs Burns, K., Holt, R. I., Comaschi, M., Hermanns, N., Ishii, H., . . . Peyrot, M. (2013). Diabetes Attitudes, Wishes and Needs second study (DAWN2): Cross-national benchmarking of diabetes-related psychosocial outcomes for people with diabetes. Diabet Med, 30(7), 767-777. doi:10.1111/dme.12245
Northstone, K., Emmett, P., & Rogers, I. (2008). Dietary patterns in pregnancy and associations with socio-demographic and lifestyle factors. Eur J Clin Nutr, 62(4), 471-479. doi:10.1038/sj.ejcn.1602741
Ocke, M. C., & Kaaks, R. J. (1997). Biochemical markers as additional measurements in dietary validity studies: Application of the method of triads with examples from the European Prospective Investigation into Cancer and Nutrition. Am J Clin Nutr, 65(4 Suppl), 1240s-1245s.
Oostdam, N., van Poppel, M. N., Wouters, M. G., & van Mechelen, W. (2011). Interventions for preventing gestational diabetes mellitus: A systematic review and meta-analysis. J Womens Health (Larchmt), 20(10), 1551-1563. doi:10.1089/jwh.2010.2703
Organisation mondiale de la Santé. (2015). Mieux connaître le diabète Retrieved from http://www.who.int/diabetes/action_online/basics/fr/index1.html
Organization for Economic Co-operation and Development. (2014). Health at a glance: Europe 2014. Retrieved from http://www.oecd.org/health/health-at-a-glance-europe-23056088.htm.
Ortiz-Andrellucchi, A., Doreste-Alonso, J., Henriquez-Sanchez, P., Cetin, I., & Serra-Majem, L. (2009). Dietary assessment methods for micronutrient intake in pregnant women: A systematic review. Br J Nutr, 102 Suppl 1, S64-86. doi:10.1017/s0007114509993151
Oteng-Ntim, E., Varma, R., Croker, H., Poston, L., & Doyle, P. (2012). Lifestyle interventions for overweight and obese pregnant women to improve pregnancy outcome: Systematic review and meta-analysis. BMC Med, 10, 47. doi:10.1186/1741-7015-10-47
Park, C. K., Timm, V., Neupane, B., Beyene, J., Schmidt, L. A., & McDonald, S. D. (2015). Factors associated with women's plans to gain weight categorized as above or below the national guidelines during pregnancy. J Obstet Gynaecol Can, 37(3), 225-235.
Parks-Stamm, E. J., Gollwitzer, P. M., & Oettingen, G. (2007). Action control by implementation intentions: Effective cue detection and efficient response initiation. Soc Cogn, 25(2), 248-266.
Patil, C. L., Abrams, E. T., Steinmetz, A. R., & Young, S. L. (2012). Appetite sensations and nausea and vomiting in pregnancy: an overview of the explanations. Ecol Food Nutr, 51(5), 394-417. doi:10.1080/03670244.2012.696010
Peacock, A. S., Bogossian, F. E., Wilkinson, S. A., Gibbons, K. S., Kim, C., & McIntyre, H. D. (2015). A Randomised Controlled Trial to Delay or Prevent Type 2 Diabetes after Gestational Diabetes: Walking for Exercise and Nutrition to Prevent Diabetes for You. Int J Endocrinol, 2015, 423717. doi:10.1155/2015/423717
Persson, M., Winkvist, A., & Mogren, I. (2015). Lifestyle and health status in a sample of Swedish women four years after pregnancy: A comparison of women with a history of normal pregnancy and women with a history of gestational diabetes mellitus. BMC Pregnancy Childbirth, 15, 57. doi:10.1186/s12884-015-0487-2
268
Peterson, K. E., Hebert, J. R., Hurley, T. G., Resnicow, K., Thompson, F. E., Greene, G. W., . . . Nebeling, L. (2008). Accuracy and precision of two short screeners to assess change in fruit and vegetable consumption among diverse populations participating in health promotion intervention trials. J Nutr, 138(1), 218s-225s.
Pietersma, S., & Dijkstra, A. (2011). Do behavioural health intentions engender health behaviour change? A study on the moderating role of self-affirmation on actual fruit intake versus vegetable intake. Br J Health Psychol, 16(4), 815-827. doi:10.1111/j.2044-8287.2011.02018.x
Pigeon, E., & Larocque, I. (2011). Tendances temporelles de la prévalence et de l'incidence du diabète, et mortalité chez les diabétiques au Québec, de 2000-2001 à 2006-2007. Québec: Institut national de santé publique du Québec.
Pignone, M. P., Ammerman, A., Fernandez, L., Orleans, C. T., Pender, N., Woolf, S., . . . Sutton, S. (2003). Counseling to promote a healthy diet in adults: A summary of the evidence for the U.S. Preventive Services Task Force. Am J Prev Med, 24(1), 75-92.
Pistollato, F., Cano, S. S., Elio, I., Vergara, M. M., Giampieri, F., & Battino, M. (2015). Plant-based and plant-rich diet patterns during gestation: Beneficial effects and possible shortcomings. Adv Nutr, 6, 581-591.
Pollard, J., Kirk, S. F., & Cade, J. E. (2002). Factors affecting food choice in relation to fruit and vegetable intake: A review. Nutr Res Rev, 15(2), 373-387. doi:10.1079/nrr200244
Polsinelli, M. L., Rock, C. L., Henderson, S. A., & Drewnowski, A. (1998). Plasma carotenoids as biomarkers of fruit and vegetable servings in women. J Am Diet Assoc, 98(2), 194-196. doi:10.1016/s0002-8223(98)00048-0
Pomerleau, J., Lock, K., Knai, C., & McKee, M. (2005). Interventions designed to increase adult fruit and vegetable intake can be effective: A systematic review of the literature. J Nutr, 135(10), 2486-2495.
Poslusna, K., Ruprich, J., de Vries, J. H., Jakubikova, M., & van't Veer, P. (2009). Misreporting of energy and micronutrient intake estimated by food records and 24 hour recalls, control and adjustment methods in practice. Br J Nutr, 101 Suppl 2, S73-85. doi:10.1017/s0007114509990602
Public Health England. (2014). National diet and nutrition survey results from years 1, 2, 3 and 4 (combined) of the Rolling Programme (2008/2009 - 2011-2012): A survey carried out on behalf of Public Health England and the Food Standards Agency. London: Public Health England.
Quinlivan, J. A., Julania, S., & Lam, L. (2011). Antenatal dietary interventions in obese pregnant women to restrict gestational weight gain to Institute of Medicine recommendations: A meta-analysis. Obstet Gynecol, 118(6), 1395-1401. doi:10.1097/AOG.0b013e3182396bc6
Radesky, J. S., Oken, E., Rifas-Shiman, S. L., Kleinman, K. P., Rich-Edwards, J. W., & Gillman, M. W. (2008). Diet during early pregnancy and development of gestational diabetes. Paediatr Perinat Epidemiol, 22(1), 47-59. doi:10.1111/j.1365-3016.2007.00899.x
Rautio, N., Jokelainen, J., Korpi-Hyovalti, E., Oksa, H., Saaristo, T., Peltonen, M., . . . Keinanen-Kiukaanniemi, S. (2014). Lifestyle intervention in prevention of type 2 diabetes in women with a history of gestational diabetes mellitus: One-year results of the FIN-D2D project. J Womens Health (Larchmt), 23(6), 506-512. doi:10.1089/jwh.2013.4520
Riboli, E., & Norat, T. (2003). Epidemiologic evidence of the protective effect of fruit and vegetables on cancer risk. Am J Clin Nutr, 78(3 Suppl), 559S-569S.
Rifas-Shiman, S. L., Rich-Edwards, J. W., Kleinman, K. P., Oken, E., & Gillman, M. W. (2009). Dietary quality during pregnancy varies by maternal characteristics in Project
269
Viva: A US cohort. J Am Diet Assoc, 109(6), 1004-1011. doi:10.1016/j.jada.2009.03.001
Rise, J., Thompson, M., & Verplanken, B. (2003). Measuring implementation intentions in the context of the theory of planned behavior. Scand J Psychol, 44(2), 87-95.
Rodrigues, A. M., O'Brien, N., French, D. P., Glidewell, L., & Sniehotta, F. F. (2015). The question-behavior effect: Genuine effect or spurious phenomenon? A systematic review of randomized controlled trials with meta-analyses. Health Psychol, 34(1), 61-78. doi:10.1037/hea0000104
Rodrigues, S., Robinson, E., & Gray-Donald, K. (1999). Prevalence of gestational diabetes mellitus among James Bay Cree women in northern Quebec. CMAJ, 160(9), 1293-1297.
Rodriguez-Bernal, C. L., Ramon, R., Quiles, J., Murcia, M., Navarrete-Munoz, E. M., Vioque, J., . . . Rebagliato, M. (2013). Dietary intake in pregnant women in a Spanish Mediterranean area: As good as it is supposed to be? Public Health Nutr, 16(8), 1379-1389. doi:10.1017/s1368980012003643
Rolls, B. J., Ello-Martin, J. A., & Tohill, B. C. (2004). What can intervention studies tell us about the relationship between fruit and vegetable consumption and weight management? Nutr Rev, 62(1), 1-17.
Roos, G., Johansson, L., Kasmel, A., Klumbiene, J., & Prattala, R. (2001). Disparities in vegetable and fruit consumption: European cases from the north to the south. Public Health Nutr, 4(1), 35-43.
Rosenstock, I. M. (1974). Historical origins of the Health Belief Model. Health Educ Monogr, 2(4), 328-335.
Rothman, A. J. (2004). "Is there nothing more practical than a good theory?": Why innovations and advances in health behavior change will arise if interventions are used to test and refine theory. Int J Behav Nutr Phys Act, 1(1), 11. doi:10.1186/1479-5868-1-11
Ruel, G., Shi, Z., Zhen, S., Zuo, H., Kroger, E., Sirois, C., . . . Taylor, A. W. (2013). Association between nutrition and the evolution of multimorbidity: The importance of fruits and vegetables and whole grain products. Clin Nutr. doi:10.1016/j.clnu.2013.07.009
Santé Canada. (2011). Bien manger avec le guide alimentaire canadien. Ottawa: Santé Canada.
Sargeant, L. A., Khaw, K. T., Bingham, S., Day, N. E., Luben, R. N., Oakes, S., . . . Wareham, N. J. (2001). Fruit and vegetable intake and population glycosylated haemoglobin levels: The EPIC-Norfolk Study. Eur J Clin Nutr, 55(5), 342-348. doi:10.1038/sj.ejcn.1601162
Savory, L. A., Griffin, S. J., Williams, K. M., Prevost, A. T., Kinmonth, A. L., Wareham, N. J., & Simmons, R. K. (2014). Changes in diet, cardiovascular risk factors and modelled cardiovascular risk following diagnosis of diabetes: 1-year results from the ADDITION-Cambridge trial cohort. Diabet Med, 31(2), 148-155. doi:10.1111/dme.12316
Schoenaker, D. A., Mishra, G. D., Callaway, L. K., & Soedamah-Muthu, S. S. (2016). The role of energy, nutrients, foods, and dietary patterns in the development of gestational diabetes mellitus: A systematic review of observational studies. Diabetes Care, 39(1), 16-23. doi:10.2337/dc15-0540
Schwartz, N., Nachum, Z., & Green, M. S. (2015). The prevalence of gestational diabetes mellitus recurrence-effect of ethnicity and parity: a metaanalysis. Am J Obstet Gynecol, 213(3), 310-317. doi:10.1016/j.ajog.2015.03.011
270
Schwarzer, R. (1992). Self-efficacy in the adoption and maintenance of health behaviors: Theoretical approaches and a new model. In R. Schwarzer (Ed.), Self-efficacy: Thought control of action (pp. 217–243). London: Hemisphere.
Schwingshackl, L., Hoffmann, G., Kalle-Uhlmann, T., Arregui, M., Buijsse, B., & Boeing, H. (2015). Fruit and vegetable consumption and changes in anthropometric variables in adult populations: A systematic review and meta-analysis of prospective cohort studies. PLoS One, 10(10), e0140846. doi:10.1371/journal.pone.0140846
Serra-Majem, L., Nissensohn, M., Overby, N. C., & Fekete, K. (2012). Dietary methods and biomarkers of omega 3 fatty acids: A systematic review. Br J Nutr, 107 Suppl 2, S64-76. doi:10.1017/s000711451200147x
Seymour, J. D., Yaroch, A. L., Serdula, M., Blanck, H. M., & Khan, L. K. (2004). Impact of nutrition environmental interventions on point-of-purchase behavior in adults: A review. Prev Med, 39 Suppl 2, S108-136. doi:10.1016/j.ypmed.2004.04.002
Shaikh, A. R., Yaroch, A. L., Nebeling, L., Yeh, M. C., & Resnicow, K. (2008). Psychosocial predictors of fruit and vegetable consumption in adults a review of the literature. Am J Prev Med, 34(6), 535-543. doi:10.1016/j.amepre.2007.12.028
Shaw, J. E., Sicree, R. A., & Zimmet, P. Z. (2010). Global estimates of the prevalence of diabetes for 2010 and 2030. Diabetes Res Clin Pract, 87(1), 4-14. doi:10.1016/j.diabres.2009.10.007
Sheeran, P., Webb, T. L., & Gollwitzer, P. M. (2005). The interplay between goal intentions and implementation intentions. Pers Soc Psychol Bull, 31(1), 87-98. doi:10.1177/0146167204271308
Shen, G. X., Shafer, L. A., Martens, P. J., Sellers, E., Torshizi, A. A., Ludwig, S., . . . Dean, H. J. (2015). Does First Nations ancestry modify the association between gestational diabetes and subsequent diabetes: A historical prospective cohort study among women in Manitoba, Canada. Diabet Med. doi:10.1111/dme.12962
Shrout, P., & Fleiss, J. (1979). Intraclass Correlations: Uses in Assessing Rater Reliability. Psychological Bulletin, 86(2), 420-428.
Skouteris, H., Morris, H., Nagle, C., & Nankervis, A. (2014). Behavior modification techniques used to prevent gestational diabetes: A systematic review of the literature. Curr Diab Rep, 14(4), 480. doi:10.1007/s11892-014-0480-6
Slavin, J. L. (2005). Dietary fiber and body weight. Nutrition, 21(3), 411-418. doi:10.1016/j.nut.2004.08.018
Smith, R. E., McConnell Rogers, M. D., McVay, J. C., Lopez, J. A., & Loft, S. (2014). Investigating how implementation intentions improve non-focal prospective memory tasks. Conscious Cogn, 27, 213-230. doi:10.1016/j.concog.2014.05.003
Sniehotta, F. F., Schwarzer, R., Scholz, U., & Schüz, B. (2005). Action planning and coping planning for long-term lifestyle change: Theory and assessment. Eur J Soc Psychol, 35, 565-576.
Snyder, D. C., Sloane, R., Lobach, D., Lipkus, I., Clipp, E., Kraus, W. E., & Demark-Wahnefried, W. (2004). Agreement between a brief mailed screener and an in-depth telephone survey: Observations from the Fresh Start study. J Am Diet Assoc, 104(10), 1593-1596. doi:10.1016/j.jada.2004.07.024
Spagnuolo, C., Russo, M., Bilotto, S., Tedesco, I., Laratta, B., & Russo, G. L. (2012). Dietary polyphenols in cancer prevention: The example of the flavonoid quercetin in leukemia. Ann N Y Acad Sci, 1259, 95-103. doi:10.1111/j.1749-6632.2012.06599.x
Sprott, D. E., Spangenberg, E. R., Block, L. G., Fitzsimons, G. J., Morwitz, V. G., & Williams, P. (2006). The question–behavior effect: What we know and where we go from here. Soc Influ, 1(2), 128-137. doi:10.1080/15534510600685409
271
Statistics Canada. (2015). Fruit and vegetable consumption, 5 times or more per day, by age group and sex (Percentage). Retrieved from http://www.statcan.gc.ca/tables-tableaux/sum-som/l01/cst01/health89b-eng.htm
Statistique Canada. (2015a). Consommation de fruits et de légumes, 2014. Retrieved from http://www.statcan.gc.ca/pub/82-625-x/2015001/article/14182-fra.htm
Statistique Canada. (2015b). Tableau 105-0501 - Profil d'indicateurs de la santé, estimations annuelles, selon le groupe d'âge et le sexe, Canada, provinces, territoires, régions sociosanitaires (limites de 2013) et groupes de régions homologues, occasionnel, CANSIM (base de données). Retrieved from http://www5.statcan.gc.ca/cansim/a26
Steffen, L. M., Jacobs, D. R., Jr., Stevens, J., Shahar, E., Carithers, T., & Folsom, A. R. (2003). Associations of whole-grain, refined-grain, and fruit and vegetable consumption with risks of all-cause mortality and incident coronary artery disease and ischemic stroke: The Atherosclerosis Risk in Communities (ARIC) Study. Am J Clin Nutr, 78(3), 383-390.
Stefler, D., & Bobak, M. (2015). Does the consumption of fruits and vegetables differ between Eastern and Western European populations? Systematic review of cross-national studies. Arch Public Health, 73(1), 29. doi:10.1186/s13690-015-0078-8
Steinmetz, K. A., & Potter, J. D. (1996). Vegetables, fruit, and cancer prevention: A review. J Am Diet Assoc, 96(10), 1027-1039. doi:10.1016/s0002-8223(96)00273-8
Strolla, L. O., Gans, K. M., & Risica, P. M. (2006). Using qualitative and quantitative formative research to develop tailored nutrition intervention materials for a diverse low-income audience. Health Educ Res, 21(4), 465-476. doi:10.1093/her/cyh072
Suliga, E. (2015). Nutritional behaviours of pregnant women in rural and urban environments. Ann Agric Environ Med, 22(3), 513-517. doi:10.5604/12321966.1167725
Swinburn, B. A., Caterson, I., Seidell, J. C., & James, W. P. (2004). Diet, nutrition and the prevention of excess weight gain and obesity. Public Health Nutr, 7(1A), 123-146.
Tamayo, T., Rosenbauer, J., Wild, S. H., Spijkerman, A. M., Baan, C., Forouhi, N. G., . . . Rathmann, W. (2014). Diabetes in Europe: An update. Diabetes Res Clin Pract, 103(2), 206-217. doi:10.1016/j.diabres.2013.11.007
Tanentsapf, I., Heitmann, B. L., & Adegboye, A. R. (2011). Systematic review of clinical trials on dietary interventions to prevent excessive weight gain during pregnancy among normal weight, overweight and obese women. BMC Pregnancy Childbirth, 11, 81. doi:10.1186/1471-2393-11-81
Temel, S., van Voorst, S. F., Jack, B. W., Denktas, S., & Steegers, E. A. (2014). Evidence-based preconceptional lifestyle interventions. Epidemiol Rev, 36, 19-30. doi:10.1093/epirev/mxt003
Thangaratinam, S., Rogozinska, E., Jolly, K., Glinkowski, S., Duda, W., Borowiack, E., . . . Khan, K. S. (2012). Interventions to reduce or prevent obesity in pregnant women: A systematic review. Health Technol Assess, 16(31), iii-iv, 1-191. doi:10.3310/hta16310
Thangaratinam, S., Rogozinska, E., Jolly, K., Glinkowski, S., Roseboom, T., Tomlinson, J. W., . . . Khan, K. S. (2012). Effects of interventions in pregnancy on maternal weight and obstetric outcomes: Meta-analysis of randomised evidence. BMJ, 344, e2088. doi:10.1136/bmj.e2088
Thompson, F. E., Kipnis, V., Subar, A. F., Krebs-Smith, S. M., Kahle, L. L., Midthune, D., . . . Schatzkin, A. (2000). Evaluation of 2 brief instruments and a food-frequency questionnaire to estimate daily number of servings of fruit and vegetables. Am J Clin Nutr, 71(6), 1503-1510.
Thompson, F. E., Midthune, D., Subar, A. F., Kahle, L. L., Schatzkin, A., & Kipnis, V. (2004). Performance of a short tool to assess dietary intakes of fruits and vegetables,
272
percentage energy from fat and fibre. Public Health Nutr, 7(8), 1097-1105. doi:10.1079/phn2004642
Thompson, F. E., Midthune, D., Subar, A. F., Kipnis, V., Kahle, L. L., & Schatzkin, A. (2007). Development and evaluation of a short instrument to estimate usual dietary intake of percentage energy from fat. J Am Diet Assoc, 107(5), 760-767. doi:10.1016/j.jada.2007.02.006
Thompson, F. E., Subar, A. F., Smith, A. F., Midthune, D., Radimer, K. L., Kahle, L. L., & Kipnis, V. (2002). Fruit and vegetable assessment: Performance of 2 new short instruments and a food frequency questionnaire. J Am Diet Assoc, 102(12), 1764-1772.
Thomson, C. A., & Ravia, J. (2011). A systematic review of behavioral interventions to promote intake of fruit and vegetables. J Am Diet Assoc, 111(10), 1523-1535. doi:10.1016/j.jada.2011.07.013
Threapleton, D. E., Greenwood, D. C., Evans, C. E., Cleghorn, C. L., Nykjaer, C., Woodhead, C., . . . Burley, V. J. (2013). Dietary fibre intake and risk of cardiovascular disease: Systematic review and meta-analysis. BMJ, 347, f6879. doi:10.1136/bmj.f6879
Tieu, J., Crowther, C. A., & Middleton, P. (2008). Dietary advice in pregnancy for preventing gestational diabetes mellitus. Cochrane Database Syst Rev(2), CD006674. doi:10.1002/14651858.CD006674.pub2
Tobias, D. K., Hu, F. B., Chavarro, J., Rosner, B., Mozaffarian, D., & Zhang, C. (2012). Healthful dietary patterns and type 2 diabetes mellitus risk among women with a history of gestational diabetes mellitus. Arch Intern Med, 172(20), 1566-1572. doi:10.1001/archinternmed.2012.3747
Tobias, D. K., Zhang, C., Chavarro, J., Bowers, K., Rich-Edwards, J., Rosner, B., . . . Hu, F. B. (2012). Prepregnancy adherence to dietary patterns and lower risk of gestational diabetes mellitus. Am J Clin Nutr, 96(2), 289-295. doi:10.3945/ajcn.111.028266
Togo, P., Osler, M., Sorensen, T. I., & Heitmann, B. L. (2004). A longitudinal study of food intake patterns and obesity in adult Danish men and women. International Journal of Obesity and Related Metabolic Disorders, 28(4), 583-593. doi:10.1038/sj.ijo.0802598
Triandis, H. C. (1980). Values, attitudes and interpersonal behavior. In M. M. Page (Ed.), Nebraska Symposium on Motivation. Beliefs, Attitudes and Values (Vol. 1, pp. 195-259). Lincoln, NE: University of Nebraska Press.
United States Department of Agriculture. (2015). Choose my plate. Retrieved from http://www.choosemyplate.gov/
Uusitalo, L., Uusitalo, U., Ovaskainen, M. L., Niinisto, S., Kronberg-Kippila, C., Marjamaki, L., . . . Virtanen, S. M. (2008). Sociodemographic and lifestyle characteristics are associated with antioxidant intake and the consumption of their dietary sources during pregnancy. Public Health Nutr, 11(12), 1379-1388. doi:10.1017/s1368980008003522
Vainio, H., & Weiderpass, E. (2006). Fruit and vegetables in cancer prevention. Nutr Cancer, 54(1), 111-142. doi:10.1207/s15327914nc5401_13
van Delft, K., Schwertner-Tiepelmann, N., Thakar, R., & Sultan, A. H. (2013). Recruitment of pregnant women in research. J Obstet Gynaecol, 33(5), 442-446. doi:10.3109/01443615.2013.767787
Vanwormer, J. J., Boucher, J. L., & Pronk, N. P. (2006). Telephone-based counseling improves dietary fat, fruit, and vegetable consumption: A best-evidence synthesis. J Am Diet Assoc, 106(9), 1434-1444. doi:10.1016/j.jada.2006.06.008
Verhoeven, A. A. C., Adriaanse, M. A., De Ridder, D. T. D., De Vet, E., & Fennis, B. M. (2013). Less is more: The effect of multiple implementation intentions targeting unhealthy snacking habits. Eur J SocPsychol, 43(5), 344-354. doi:10.1002/ejsp.1963
273
Viana, L. V., Gross, J. L., & Azevedo, M. J. (2014). Dietary intervention in patients with gestational diabetes mellitus: A systematic review and meta-analysis of randomized clinical trials on maternal and newborn outcomes. Diabetes Care, 37(12), 3345-3355. doi:10.2337/dc14-1530
Vigneault, J., Lemieux, S., Garneau, V., Weisnagel, S. J., Tchernof, A., & Robitaille, J. (2015). Association between metabolic deteriorations and prior gestational diabetes according to weight status. Obesity (Silver Spring), 23(2), 345-350. doi:10.1002/oby.20940
Villegas, R., Shu, X. O., Gao, Y. T., Yang, G., Elasy, T., Li, H., & Zheng, W. (2008). Vegetable but not fruit consumption reduces the risk of type 2 diabetes in Chinese women. J Nutr, 138(3), 574-580.
Vioque, J., Navarrete-Munoz, E. M., Gimenez-Monzo, D., Garcia-de-la-Hera, M., Granado, F., Young, I. S., . . . Iniguez, C. (2013). Reproducibility and validity of a food frequency questionnaire among pregnant women in a Mediterranean area. Nutr J, 12, 26. doi:10.1186/1475-2891-12-26
Vioque, J., Weinbrenner, T., Castello, A., Asensio, L., & Garcia de la Hera, M. (2008). Intake of fruits and vegetables in relation to 10-year weight gain among Spanish adults. Obesity (Silver Spring), 16(3), 664-670. doi:10.1038/oby.2007.121
Webb, T. L., Joseph, J., Yardley, L., & Michie, S. (2010). Using the internet to promote health behavior change: A systematic review and meta-analysis of the impact of theoretical basis, use of behavior change techniques, and mode of delivery on efficacy. J Med Internet Res, 12(1), e4. doi:10.2196/jmir.1376
Webb, T. L., & Sheeran, P. (2007). How do implementation intentions promote goal attainment? A test of component processes. J Exp Soc Psychol, 43(2), 295-302.
Weisman, C. S., Hillemeier, M. M., Downs, D. S., Feinberg, M. E., Chuang, C. H., Botti, J. J., & Dyer, A. M. (2011). Improving women's preconceptional health: Long-term effects of the Strong Healthy Women behavior change intervention in the central Pennsylvania Women's Health Study. Womens Health Issues, 21(4), 265-271. doi:10.1016/j.whi.2011.03.007
Whitaker, K. M., Wilcox, S., Liu, J., Blair, S. N., & Pate, R. R. (2016). Pregnant women's perceptions of weight gain, physical activity, and nutrition using Theory of Planned Behavior constructs. J Behav Med, 39(1), 41-54. doi:10.1007/s10865-015-9672-z
Wieber, F., Thurmer, J. L., & Gollwitzer, P. M. (2015). Promoting the translation of intentions into action by implementation intentions: Behavioral effects and physiological correlates. Front Hum Neurosci, 9, 395. doi:10.3389/fnhum.2015.00395
Wild, S., Roglic, G., Green, A., Sicree, R., & King, H. (2004). Global prevalence of diabetes: Estimates for the year 2000 and projections for 2030. Diabetes Care, 27(5), 1047-1053.
Willett, W. (2013a). Food frequency methods. In W. Willett (Ed.), Nutritional epidemiology (pp. 70-95). New York, NY: OXford University Press.
Willett, W. (2013b). Recall of remote diet. In W. Willett (Ed.), Nutritional epidemiology (pp. 142-149). New York: Oxford University Press.
Wojtyla, A., Bojar, I., Boyle, P., Zatonski, W., Marcinkowski, J. T., & Bilinski, P. (2011). Nutritional behaviours among pregnant women from rural and urban environments in Poland. Ann Agric Environ Med, 18(1), 169-174.
Wood, C., Conner, M., Miles, E., Sandberg, T., Taylor, N., Godin, G., & Sheeran, P. (2015). The impact of asking intention or self-prediction questions on subsequent behavior: A meta-analysis. Pers Soc Psychol Rev. doi:10.1177/1088868315592334
274
Woodside, J. V., Young, I. S., & McKinley, M. C. (2013). Fruits and vegetables: Measuring intake and encouraging increased consumption. Proc Nutr Soc, 72(2), 236-245. doi:10.1017/s0029665112003059
World Health Organization. (2003). Diet, nutrition and the prevention of chronic diseases: Report of the joint WHO/FAO expert consultation. Geneva: World Health Organization.
World Health Organization. (2006). Comparative analysis of nutrition policies in the WHO European Region: A comparative analysis of nutrition policies and plans of action in WHO European. Copenhagen, Denmark: World Health Organization.
World Health Organization. (2013). Diagnostic criteria and classification of hyperglycaemia first detected in pregnancy. Switzerland: World Health Organization.
World Health Organization. (2014a). Global status report on noncommunicable diseases 2014. Switzerland: World Health Organization.
World Health Organization. (2014b). The top 10 causes of death. Retrieved from http://www.who.int/mediacentre/factsheets/fs310/en/
Wu, Q. J., Wu, L., Zheng, L. Q., Xu, X., Ji, C., & Gong, T. T. (2016). Consumption of fruit and vegetables reduces risk of pancreatic cancer: Evidence from epidemiological studies. Eur J Cancer Prev, 25(3), 196-205. doi:10.1097/cej.0000000000000171
Wu, Y., Zhang, D., Jiang, X., & Jiang, W. (2015). Fruit and vegetable consumption and risk of type 2 diabetes mellitus: A dose-response meta-analysis of prospective cohort studies. Nutr Metab Cardiovasc Dis, 25(2), 140-147. doi:10.1016/j.numecd.2014.10.004
Xiao, R. S., Simas, T. A., Person, S. D., Goldberg, R. J., & Waring, M. E. (2015). Diet quality and history of gestational diabetes mellitus among childbearing women, United States, 2007-2010. Prev Chronic Dis, 12, E25. doi:10.5888/pcd12.140360
Yamamoto, A., McCormick, M. C., & Burris, H. H. (2014). US provider-reported diet and physical activity counseling to pregnant and non-pregnant women of childbearing age during preventive care visits. Matern Child Health J, 18(7), 1610-1618. doi:10.1007/s10995-013-1401-z
Yaroch, A. L., Tooze, J., Thompson, F. E., Blanck, H. M., Thompson, O. M., Colon-Ramos, U., . . . Nebeling, L. C. (2012). Evaluation of three short dietary instruments to assess fruit and vegetable intake: the National Cancer Institute's food attitudes and behaviors survey. J Acad Nutr Diet, 112(10), 1570-1577. doi:10.1016/j.jand.2012.06.002
Yeum, K. J., Ferland, G., Patry, J., & Russell, R. M. (1998). Relationship of plasma carotenoids, retinol and tocopherols in mothers and newborn infants. J Am Coll Nutr, 17(5), 442-447.
Yokota, R. T., Miyazaki, E. S., & Ito, M. K. (2010). Applying the triads method in the validation of dietary intake using biomarkers. Cad Saude Publica, 26(11), 2027-2037.
Zehle, K., Smith, B. J., Chey, T., McLean, M., Bauman, A. E., & Cheung, N. W. (2008). Psychosocial factors related to diet among women with recent gestational diabetes: Opportunities for intervention. Diabetes Educ, 34(5), 807-814. doi:10.1177/0145721708323641
Zeng, H., Lazarova, D. L., & Bordonaro, M. (2014). Mechanisms linking dietary fiber, gut microbiota and colon cancer prevention. World J Gastrointest Oncol, 6(2), 41-51. doi:10.4251/wjgo.v6.i2.41
Zhang, C., Schulze, M. B., Solomon, C. G., & Hu, F. B. (2006). A prospective study of dietary patterns, meat intake and the risk of gestational diabetes mellitus. Diabetologia, 49(11), 2604-2613. doi:10.1007/s00125-006-0422-1
275
Zhang, C., Tobias, D. K., Chavarro, J. E., Bao, W., Wang, D., Ley, S. H., & Hu, F. B. (2014). Adherence to healthy lifestyle and risk of gestational diabetes mellitus: prospective cohort study. BMJ, 349, g5450. doi:10.1136/bmj.g5450
Zhao, G., Ford, E. S., Tsai, J., Li, C., Ahluwalia, I. B., Pearson, W. S., . . . Croft, J. B. (2012). Trends in health-related behavioral risk factors among pregnant women in the United States: 2001-2009. J Womens Health (Larchmt), 21(3), 255-263. doi:10.1089/jwh.2011.2931
Zhuo, X., Zhang, P., Barker, L., Albright, A., Thompson, T. J., & Gregg, E. (2014). The lifetime cost of diabetes and its implications for diabetes prevention. Diabetes Care, 37(9), 2557-2564. doi:10.2337/dc13-2484
Zhuo, X., Zhang, P., & Hoerger, T. J. (2013). Lifetime direct medical costs of treating type 2 diabetes and diabetic complications. Am J Prev Med, 45(3), 253-261. doi:10.1016/j.amepre.2013.04.017
Zimmermann, T. D., & Meier, B. (2010). The effect of implementation intentions on prospective memory performance across the lifespan. Appl Cogn Psychol, 24(5), 645-658.
276
ANNEXE 1: QUESTIONNAIRE DE GODIN ET COLLABORATEURS (2008) SUR LA CONSOMMATION DE FRUITS ET LÉGUMES
277
ÉTUDE SUR LA VALIDATION D’UN QUESTIONNAIRE ALIMENTAIRE CHEZ
LES FEMMES ENCEINTES
QUESTIONNAIRE SUR LA CONSOMMATION DE FRUITS ET LÉGUMES
Date : _______________
278
Définition d’une portion de fruits ou de légumes
Une portion de fruits ou de légumes inclut :
un fruit ou un légume de taille moyenne, une demi-tasse (125 ml) de fruits ou de légumes coupés en morceaux, une demi-tasse (125 ml) de jus ou une tasse (250 ml) de salade.
Les aliments peuvent être frais, congelés ou en conserve.
1. Combien de portions des aliments suivants avez-vous consommées au cours des 7 derniers jours?
Exemple : si vous avez pris 250 ml de jus de fruits seulement les matins de fin de semaine, inscrire le chiffre 0 pour les journées de lundi à vendredi et 2 pour le samedi et le dimanche :
Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche
Jus de fruits 0 portions 0 portions 0 portions 0 portions 0 portions 2 portions 2 portions
Veuillez maintenant inscrire dans chacune des cases ci-dessous, les chiffres appropriés…
Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche
Jus de fruits __ portions __ portions __ portions __ portions __ portions __ portions __ portions
Jus de légumes
__ portions __ portions __ portions __ portions __ portions __ portions __ portions
Fruits __ portions __ portions __ portions __ portions __ portions __ portions __ portions
Pommes de terre (excluant les frites)
__ portions __ portions __ portions __ portions __ portions __ portions __ portions
Salade verte __ portions __ portions __ portions __ portions __ portions __ portions __ portions
Autres légumes
__ portions __ portions __ portions __ portions __ portions __ portions __ portions
2. Est-ce que votre consommation de fruits et légumes au cours des 7 derniers jours correspond à vos
habitudes alimentaires des 3 derniers mois?
Pas du tout représentatif de mes habitudes alimentaires Peu représentatif de mes habitudes alimentaires Assez représentatif de mes habitudes alimentaires Très représentatif de mes habitudes alimentaires
3. De quelle manière votre consommation de fruits et légumes au cours des 7 derniers jours diffère-elle de vos habitudes alimentaires des 3 derniers mois?
Au cours des 7 derniers jours, j’ai consommé…
Beaucoup plus de fruits et légumes qu’au cours des 3 derniers mois Un peu plus de fruits et légumes qu’au cours des 3 derniers mois Un peu moins de fruits et légumes qu’au cours des 3 derniers mois Beaucoup moins de fruits et légumes qu’au cours des 3 derniers mois
279
DONNÉES SOCIODÉMOGRAPHIQUES 4. Quel est votre âge? _________ans
5. Depuis combien de semaines êtes-vous enceinte (âge gestationnel)? __________semaines
6. Quel était votre poids avant votre grossesse? _________kg ou _________lbs
7. Quelle est votre taille? __________cm ou _________pieds/pouces
8. Quel est le diplôme le plus élevé que vous avez obtenu? Diplôme d’études secondaires Diplôme d’études professionnelles Diplôme d’études collégiales Baccalauréat Maîtrise Doctorat et/ou post-doctorat
9. Quel est le revenu brut (avant impôt) de votre ménage? 0-10 000$ 11 000-20 000$ 21 000-30 000$ 31 000-40 000$ 41 000-50 000$ 51 000-60 000$ 61 000-70 000$ 71 000-80 000$ 81 000-90 000$ 91 000-100 000$ 101 000$ et plus
10. Êtes-vous enceinte de votre premier enfant? Oui Non. Combien de fois avez-vous été enceinte avant votre grossesse actuelle? ___________________
11. Avez-vous une grossesse gémellaire (jumeaux)? Oui Non
280
12. Avez-vous une grossesse compliquée par une condition médicale (ex : diabète gestationnel, hypertension, etc.)?
Oui. Précisez : __________________________________________ Non
13. Prenez-vous actuellement un ou des supplément(s) (ex : multivitamine, acide folique, supplément de fer, etc.)?
Oui. Précisez : __________________________________________ Non
14. Avez-vous des nausées? Oui Non
15. Si vous avez mentionné avoir des nausées à la question 14, est-ce que celles-ci affectent votre alimentation?
Oui. Précisez : __________________________________________ Non N/A
MERCI DE VOTRE COLLABORATION!
SVP, retournez le questionnaire dans l’enveloppe pré-adressée et préaffranchie fournie.
COMMENTAIRES ____________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________