047
Intro
Plant-Based Diets, Ultra-Processed Foods, and Risks of Mortality and Major Chronic Diseases: A Prospective Cohort Study 是 Alysha S. Thompson 等人在 2026 年发表于 The Lancet Regional Health - Europe 的 UK Biobank 营养流行病学文章。它把植物性饮食按“健康/不健康”和“高/低 ultra-processed food (UPF) 含量”拆成四套评分，分析这些评分与全因死亡、2 型糖尿病、心血管病和癌症风险的关系。
Why I Read It
我读它是因为它和最近几篇 UK Biobank 营养/生活方式文章放在同一条线上，但它的暴露构造明显更复杂。上一篇饮食质量文章已经用了多个 diet quality scores；这篇又把 plant-based diet index 和 Nova processing classification 叠在一起，形成四个新的暴露分数。
这种文章读起来不轻松。统计模型本身只是 Cox，真正复杂的是暴露工程：哪些食物算健康植物性，哪些算不健康植物性，哪些算 UPF，哪些 food group 因为没有对应 processing category 被排除。最后结论又要回到“饮食质量可能比 UPF 标签更重要”。这是一篇适合练习辨认暴露构造边界的文章，而不是一篇特别清爽的因果证据。
What It Says
研究纳入 124,836 名 UK Biobank 参与者，要求至少完成两次 Oxford WebQ 24-hour dietary assessments。作者用多次饮食回忆的平均值估计 habitual intake。每个结局分析还排除在最后一次有效饮食评估前已经有该结局的人。
暴露是四个 modified Plant-Based Diet Indices。作者先用原始 PDI 框架区分 healthful plant foods、less healthy plant foods 和 animal foods，再用 Nova classification 把每个食物项分成 UPF 和 non-UPF。最后得到四个分数：high-UPF hPDI、low-UPF hPDI、high-UPF uPDI 和 low-UPF uPDI。每个分数都是连续 score，主分析再按 sex-specific quartiles 分组，Q1 作为参照。
结局有四个，分别单独做 Cox proportional hazards model：all-cause mortality、incident T2DM、incident CVD 和 incident cancer。死亡来自 national death registries；T2DM 和 CVD 来自住院/死亡记录里的 ICD-10 代码；cancer 来自 national cancer registries，排除 non-melanoma skin cancer。模型以 attained age 为时间尺度，并调整 sex、education、ethnicity、deprivation、BMI、physical activity、smoking、alcohol、energy intake、multimorbidity、polypharmacy、相关药物和饮食评估次数等变量。
主结果可以压成几句话。对全因死亡，high-UPF hPDI 和 low-UPF hPDI 最高组都对应较低风险，HR 分别约为 0.92 和 0.91；high-UPF uPDI 和 low-UPF uPDI 则对应较高死亡风险，HR 分别约为 1.09 和 1.13。对 T2DM，健康植物性饮食评分越高风险越低，尤其 low-UPF hPDI 的 HR 为 0.72；不健康植物性饮食评分越高风险越高，low-UPF uPDI 的 HR 为 1.31。对 CVD，只有 high-UPF hPDI 显示较低风险，high-UPF uPDI 显示略高风险。对 cancer，健康植物性饮食没有明确保护性关联，只有 low-UPF uPDI 与较高风险有关。
作者随后做了食物组拆解、leave-one-out、调整 Modified Nutrient Quality Index (mNQI)、low-UPF:high-UPF ratio、总 UPF 摄入交互、性别分层，以及死亡分析中排除早期死亡和限制到 COVID 前的敏感性分析。总体方向没有大变。食物组结果提示，SSBs、refined grains、potatoes 等更偏不利，而 wholegrain UPFs 可能与较低风险相关。
What I Take From It
这篇的结论不是“UPF 无害”，而是“UPF 这个标签太粗”。在这套 UKB 数据里，健康植物性饮食即使包含一些 UPF，也仍然和较低死亡/T2DM 风险相关；不健康植物性饮食即使是 low-UPF，也仍然和较高风险相关。换句话说，整体饮食质量和具体食物组比一个笼统的 processing label 更能解释结果。
但这篇也让我更警惕 nutrition epidemiology 的暴露工程。它不是先有一个自然清楚的暴露，再跑一个简单模型；它是先设计出四套 index，再展示这些 index 和四个结局的关联。这个过程很依赖分类规则。high-UPF/low-UPF 在这里不是人的分组，而是构成 score 的食物池；Q1-Q4 又是每个 score 内部的人群四分位。读者如果没有把这两层分清，很容易误解成互斥组合。
我会把这篇当作一个批判性阅读案例：它的消息很适合传播，因为它反驳了“所有 UPF 都坏”的简单叙事；但证据本身还是观察性关联，且暴露定义的主观性和解释成本都很高。
Note
这篇最需要保留的边界是 exposure definition。Nova classification 本来就很粗，Oxford WebQ 也不能稳定区分 homemade 和 commercially prepared foods。许多 wholegrain breads 会被归为 UPF，但 wholegrain 本身有较强的健康证据；desserts、pizza、coleslaw 这类食物的加工水平也可能被错分。也就是说，这篇不是在测量一个干净的“加工毒性”，而是在一套问卷和分类规则下重构饮食模式。
另一个边界是时间和外推。饮食数据主要来自 2009-2012 年，当时 plant-based alternatives 的市场和配方跟现在很不一样。今天的 plant-based meat/dairy alternatives 更多、更复杂，也经历了不同程度的 reformulation。把这篇直接外推到当前食品环境需要谨慎。
UK Biobank 选择偏倚也很强。只有完成至少两次 WebQ 的人进入分析，这些人比被排除者更健康、更瘦、更常为女性、白人和非吸烟者。文章的估计更像健康志愿者中饮食模式与风险的关联，不一定代表一般人群。
最后，BMI 被作者作为 confounder 调整，但 BMI 也可能部分位于饮食到 T2DM/CVD 的路径上。这样调整后得到的 HR 更像 direct association，而不一定是饮食模式的总关联。对于营养文章，这类 adjustment choice 经常影响解释。