The gut microbiome is shaped by diet and influences host metabolism; however, these links are complex and can be unique to each individual. We performed deep metagenomic sequencing of 1,203 gut microbiomes from 1,098 individuals enrolled in the Personalised Responses to Dietary Composition Trial (PREDICT 1) study, whose detailed long-term diet information, as well as hundreds of fasting and same-meal postprandial cardiometabolic blood marker measurements were available. We found many significant associations between microbes and specific nutrients, foods, food groups and general dietary indices, which were driven especially by the presence and diversity of healthy and plant-based foods. Microbial biomarkers of obesity were reproducible across external publicly available cohorts and in agreement with circulating blood metabolites that are indicators of cardiovascular disease risk. While some microbes, such as Prevotella copri and Blastocystis spp., were indicators of favorable postprandial glucose metabolism, overall microbiome composition was predictive for a large panel of cardiometabolic blood markers including fasting and postprandial glycemic, lipemic and inflammatory indices. The panel of intestinal species associated with healthy dietary habits overlapped with those associated with favorable cardiometabolic and postprandial markers, indicating that our large-scale resource can potentially stratify the gut microbiome into generalizable health levels in individuals without clinically manifest disease.

Metabolic responses to food influence risk of cardiometabolic disease, but large-scale high-resolution studies are lacking. We recruited n = 1,002 twins and unrelated healthy adults in the United Kingdom to the PREDICT 1 study and assessed postprandial metabolic responses in a clinical setting and at home. We observed large inter-individual variability (as measured by the population coefficient of variation (s.d./mean, %)) in postprandial responses of blood triglyceride (103%), glucose (68%) and insulin (59%) following identical meals. Person-specific factors, such as gut microbiome, had a greater influence (7.1% of variance) than did meal macronutrients (3.6%) for postprandial lipemia, but not for postprandial glycemia (6.0% and 15.4%, respectively); genetic variants had a modest impact on predictions (9.5% for glucose, 0.8% for triglyceride, 0.2% for C-peptide). Findings were independently validated in a US cohort (n = 100 people). We developed a machine-learning model that predicted both triglyceride (r = 0.47) and glycemic (r = 0.77) responses to food intake. These findings may be informative for developing personalized diet strategies. The ClinicalTrials.gov registration identifier is NCT03479866.

Importance

 Cardiovascular disease (CVD) is the leading cause of death in the United States, but regional variation within the United States is large. Comparable and consistent state-level measures of total CVD burden and risk factors have not been produced previously. 

Objective

 To quantify and describe levels and trends of lost health due to CVD within the United States from 1990 to 2016 as well as risk factors driving these changes. 

Design, Setting, and Participants

 Using the Global Burden of Disease methodology, cardiovascular disease mortality, nonfatal health outcomes, and associated risk factors were analyzed by age group, sex, and year from 1990 to 2016 for all residents in the United States using standardized approaches for data processing and statistical modeling. Burden of disease was estimated for 10 groupings of CVD, and comparative risk analysis was performed. Data were analyzed from August 2016 to July 2017. 

Exposures

 Residing in the United States. 

Main Outcomes and Measures

 Cardiovascular disease disability-adjusted life-years (DALYs). 

Results

 Between 1990 and 2016, age-standardized CVD DALYs for all states decreased. Several states had large rises in their relative rank ordering for total CVD DALYs among states, including Arkansas, Oklahoma, Alabama, Kentucky, Missouri, Indiana, Kansas, Alaska, and Iowa. The rate of decline varied widely across states, and CVD burden increased for a small number of states in the most recent years. Cardiovascular disease DALYs remained twice as large among men compared with women. Ischemic heart disease was the leading cause of CVD DALYs in all states, but the second most common varied by state. Trends were driven by 12 groups of risk factors, with the largest attributable CVD burden due to dietary risk exposures followed by high systolic blood pressure, high body mass index, high total cholesterol level, high fasting plasma glucose level, tobacco smoking, and low levels of physical activity. Increases in risk-deleted CVD DALY rates between 2006 and 2016 in 16 states suggest additional unmeasured risks beyond these traditional factors. 

Conclusions and Relevance

 Large disparities in total burden of CVD persist between US states despite marked improvements in CVD burden. Differences in CVD burden are largely attributable to modifiable risk exposures.

Tobacco smoking is estimated to account for more than 1 million annual deaths in China, and the epidemic continues to increase in men. Large nationwide prospective studies linked to different health records can help to periodically assess disease burden attributed to smoking. We aimed to examine associations of smoking with incidence of and mortality from an extensive range of diseases in China.We analysed data from the prospective China Kadoorie Biobank, which recruited 512 726 adults aged 30-79 years, of whom 210 201 were men and 302 525 were women. Participants who had no major disabilities were identified through local residential records in 100-150 administrative units, which were randomly selected by use of multistage cluster sampling, from each of the ten diverse study areas of China. They were invited and recruited between June 25, 2004, and July 15, 2008. Upon study entry, trained health workers administered a questionnaire assessing detailed smoking behaviours and other key characteristics (eg, sociodemographics, lifestyle, and medical history). Participants were followed up via electronic record linkages to death and disease registries and health insurance databases, from baseline to Jan 1, 2018. During a median 11-year follow-up (IQR 10-12), 285 542 (55·7%) participants were ever hospitalised, 48 869 (9·5%) died, and 5252 (1·0%) were lost to follow-up during the age-at-risk of 35-84 years. Cox regression yielded hazard ratios (HRs) associating smoking with disease incidence and mortality, adjusting for multiple testing.At baseline, 74·3% of men and 3·2% of women (overall 32·4%) ever smoked regularly. During follow-up, 1 137 603 International Classification of Diseases, 10th revision (ICD-10)-coded incident events occurred, involving 476 distinct conditions and 85 causes of death, each with at least 100 cases. Compared with never-regular smokers, ever-regular smokers had significantly higher risks for nine of 18 ICD-10 chapters examined at age-at-risk of 35-84 years. For individual conditions, smokers had significantly higher risks of 56 diseases (50 for men and 24 for women) and 22 causes of death (17 for men and nine for women). Among men, ever-regular smokers had an HR of 1·09 (95% CI 1·08-1·11) for any disease incidence when compared with never-regular smokers, and significantly more episodes and longer duration of hospitalisation, particularly those due to cancer and respiratory diseases. For overall mortality, the HRs were greater in men from urban areas than in men from rural areas (1·50 [1·42-1·58] vs 1·25 [1·20-1·30]). Among men from urban areas who began smoking at younger than 18 years, the HRs were 2·06 (1·89-2·24) for overall mortality and 1·32 (1·27-1·37) for any disease incidence. In this population, 19·6% of male (24·3% of men residing in urban settings and 16·2% of men residing in rural settings) and 2·8% of female deaths were attributed to ever-regular smoking.Among Chinese adults, smoking was associated with higher risks of morbidity and mortality from a wide range of diseases. Among men, the future smoking-attributed disease burden will increase further, highlighting a pressing need for reducing consumption through widespread cessation and uptake prevention.British Heart Foundation, Cancer Research UK, Chinese Ministry of Science and Technology, Kadoorie Charitable Foundation, UK Medical Research Council, National Natural Science Foundation of China, Wellcome Trust.

Previous studies of primarily Western populations have reported contrasting associations of dairy consumption with certain cancers, including a positive association with prostate cancer and inverse associations with colorectal and premenopausal breast cancers. However, there are limited data from China where cancer rates and levels of dairy consumption differ importantly from those in Western populations.The prospective China Kadoorie Biobank study recruited ~0.5 million adults from ten diverse (five urban, five rural) areas across China during 2004-2008. Consumption frequency of major food groups, including dairy products, was collected at baseline and subsequent resurveys, using a validated interviewer-administered laptop-based food frequency questionnaire. To quantify the linear association of dairy intake and cancer risk and to account for regression dilution bias, the mean usual consumption amount for each baseline group was estimated via combining the consumption level at both baseline and the second resurvey. During a mean follow-up of 10.8 (SD 2.0) years, 29,277 incident cancer cases were recorded among the 510,146 participants who were free of cancer at baseline. Cox regression analyses for incident cancers associated with usual dairy intake were stratified by age-at-risk, sex and region and adjusted for cancer family history, education, income, alcohol intake, smoking, physical activity, soy and fresh fruit intake, and body mass index.Overall, 20.4% of participants reported consuming dairy products (mainly milk) regularly (i.e. ≥1 day/week), with the estimated mean consumption of 80.8 g/day among regular consumers and of 37.9 g/day among all participants. There were significant positive associations of dairy consumption with risks of total and certain site-specific cancers, with adjusted HRs per 50 g/day usual consumption being 1.07 (95% CI 1.04-1.10), 1.12 (1.02-1.22), 1.19 (1.01-1.41) and 1.17 (1.07-1.29) for total cancer, liver cancer (n = 3191), female breast cancer (n = 2582) and lymphoma (n=915), respectively. However, the association with lymphoma was not statistically significant after correcting for multiple testing. No significant associations were observed for colorectal cancer (n = 3350, 1.08 [1.00-1.17]) or other site-specific cancers.Among Chinese adults who had relatively lower dairy consumption than Western populations, higher dairy intake was associated with higher risks of liver cancer, female breast cancer and, possibly, lymphoma.

Regular, detailed reporting on population health by underlying cause of death is fundamental for public health decision making. Cause-specific estimates of mortality and the subsequent effects on life expectancy worldwide are valuable metrics to gauge progress in reducing mortality rates. These estimates are particularly important following large-scale mortality spikes, such as the COVID-19 pandemic. When systematically analysed, mortality rates and life expectancy allow comparisons of the consequences of causes of death globally and over time, providing a nuanced understanding of the effect of these causes on global populations.The Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) 2021 cause-of-death analysis estimated mortality and years of life lost (YLLs) from 288 causes of death by age-sex-location-year in 204 countries and territories and 811 subnational locations for each year from 1990 until 2021. The analysis used 56 604 data sources, including data from vital registration and verbal autopsy as well as surveys, censuses, surveillance systems, and cancer registries, among others. As with previous GBD rounds, cause-specific death rates for most causes were estimated using the Cause of Death Ensemble model-a modelling tool developed for GBD to assess the out-of-sample predictive validity of different statistical models and covariate permutations and combine those results to produce cause-specific mortality estimates-with alternative strategies adapted to model causes with insufficient data, substantial changes in reporting over the study period, or unusual epidemiology. YLLs were computed as the product of the number of deaths for each cause-age-sex-location-year and the standard life expectancy at each age. As part of the modelling process, uncertainty intervals (UIs) were generated using the 2·5th and 97·5th percentiles from a 1000-draw distribution for each metric. We decomposed life expectancy by cause of death, location, and year to show cause-specific effects on life expectancy from 1990 to 2021. We also used the coefficient of variation and the fraction of population affected by 90% of deaths to highlight concentrations of mortality. Findings are reported in counts and age-standardised rates. Methodological improvements for cause-of-death estimates in GBD 2021 include the expansion of under-5-years age group to include four new age groups, enhanced methods to account for stochastic variation of sparse data, and the inclusion of COVID-19 and other pandemic-related mortality-which includes excess mortality associated with the pandemic, excluding COVID-19, lower respiratory infections, measles, malaria, and pertussis. For this analysis, 199 new country-years of vital registration cause-of-death data, 5 country-years of surveillance data, 21 country-years of verbal autopsy data, and 94 country-years of other data types were added to those used in previous GBD rounds.The leading causes of age-standardised deaths globally were the same in 2019 as they were in 1990; in descending order, these were, ischaemic heart disease, stroke, chronic obstructive pulmonary disease, and lower respiratory infections. In 2021, however, COVID-19 replaced stroke as the second-leading age-standardised cause of death, with 94·0 deaths (95% UI 89·2-100·0) per 100 000 population. The COVID-19 pandemic shifted the rankings of the leading five causes, lowering stroke to the third-leading and chronic obstructive pulmonary disease to the fourth-leading position. In 2021, the highest age-standardised death rates from COVID-19 occurred in sub-Saharan Africa (271·0 deaths [250·1-290·7] per 100 000 population) and Latin America and the Caribbean (195·4 deaths [182·1-211·4] per 100 000 population). The lowest age-standardised death rates from COVID-19 were in the high-income super-region (48·1 deaths [47·4-48·8] per 100 000 population) and southeast Asia, east Asia, and Oceania (23·2 deaths [16·3-37·2] per 100 000 population). Globally, life expectancy steadily improved between 1990 and 2019 for 18 of the 22 investigated causes. Decomposition of global and regional life expectancy showed the positive effect that reductions in deaths from enteric infections, lower respiratory infections, stroke, and neonatal deaths, among others have contributed to improved survival over the study period. However, a net reduction of 1·6 years occurred in global life expectancy between 2019 and 2021, primarily due to increased death rates from COVID-19 and other pandemic-related mortality. Life expectancy was highly variable between super-regions over the study period, with southeast Asia, east Asia, and Oceania gaining 8·3 years (6·7-9·9) overall, while having the smallest reduction in life expectancy due to COVID-19 (0·4 years). The largest reduction in life expectancy due to COVID-19 occurred in Latin America and the Caribbean (3·6 years). Additionally, 53 of the 288 causes of death were highly concentrated in locations with less than 50% of the global population as of 2021, and these causes of death became progressively more concentrated since 1990, when only 44 causes showed this pattern. The concentration phenomenon is discussed heuristically with respect to enteric and lower respiratory infections, malaria, HIV/AIDS, neonatal disorders, tuberculosis, and measles.Long-standing gains in life expectancy and reductions in many of the leading causes of death have been disrupted by the COVID-19 pandemic, the adverse effects of which were spread unevenly among populations. Despite the pandemic, there has been continued progress in combatting several notable causes of death, leading to improved global life expectancy over the study period. Each of the seven GBD super-regions showed an overall improvement from 1990 and 2021, obscuring the negative effect in the years of the pandemic. Additionally, our findings regarding regional variation in causes of death driving increases in life expectancy hold clear policy utility. Analyses of shifting mortality trends reveal that several causes, once widespread globally, are now increasingly concentrated geographically. These changes in mortality concentration, alongside further investigation of changing risks, interventions, and relevant policy, present an important opportunity to deepen our understanding of mortality-reduction strategies. Examining patterns in mortality concentration might reveal areas where successful public health interventions have been implemented. Translating these successes to locations where certain causes of death remain entrenched can inform policies that work to improve life expectancy for people everywhere.Bill & Melinda Gates Foundation.

Abstract Circulating plasma proteins play key roles in human health and can potentially be used to measure biological age, allowing risk prediction for age-related diseases, multimorbidity and mortality. Here we developed a proteomic age clock in the UK Biobank ( n = 45,441) using a proteomic platform comprising 2,897 plasma proteins and explored its utility to predict major disease morbidity and mortality in diverse populations. We identified 204 proteins that accurately predict chronological age (Pearson r = 0.94) and found that proteomic aging was associated with the incidence of 18 major chronic diseases (including diseases of the heart, liver, kidney and lung, diabetes, neurodegeneration and cancer), as well as with multimorbidity and all-cause mortality risk. Proteomic aging was also associated with age-related measures of biological, physical and cognitive function, including telomere length, frailty index and reaction time. Proteins contributing most substantially to the proteomic age clock are involved in numerous biological functions, including extracellular matrix interactions, immune response and inflammation, hormone regulation and reproduction, neuronal structure and function and development and differentiation. In a validation study involving biobanks in China ( n = 3,977) and Finland ( n = 1,990), the proteomic age clock showed similar age prediction accuracy (Pearson r = 0.92 and r = 0.94, respectively) compared to its performance in the UK Biobank. Our results demonstrate that proteomic aging involves proteins spanning multiple functional categories and can be used to predict age-related functional status, multimorbidity and mortality risk across geographically and genetically diverse populations.

Abstract Background Postprandial metabolomic profiles and their inter-individual variability are not well characterised. Here we describe postprandial metabolite changes, their correlations with fasting values and their inter- and intra-individual variability following a standardised meal in the ZOE PREDICT 1 cohort. Methods In the ZOE PREDICT 1 study ( n = 1,002 ( NCT03479866 )), 250 metabolites, mainly lipids, were measured by Nightingale NMR panel in fasting and postprandial (4 and 6 h after a 3.7 MJ mixed nutrient meal, with a second 2.2 MJ mixed nutrient meal at 4 h) serum samples. For each metabolite, inter- and intra-individual variability over-time was evaluated using linear mixed modelling and intraclass-correlation coefficients (ICC) calculated. Results Postprandially, 85% (of 250 metabolites) significantly changed from fasting at 6h (47% increased, 53% decreased; Kruskal-Wallis), with 37 measures increasing by >25%, and 14 increasing by >50%. The largest changes were observed in very large lipoprotein particles and ketone bodies. Seventy-one percent of circulating metabolites were strongly correlated (Spearman’s rho >0.80) between fasting and postprandial timepoints, and 5% were weakly correlated (rho <0.50). The median ICC of the 250 metabolites was 0.91 (range 0.08-0.99). The lowest ICCs (ICC<0.40, 4% of measures) were found for glucose, pyruvate, ketone bodies (β-hydroxybutyrate, acetoacetate, acetate) and lactate. Conclusions In this large-scale postprandial metabolomic study, circulating metabolites were highly variable between individuals following a mixed challenge meal. Findings suggest that a meal challenge may yield postprandial responses divergent from fasting measures, specifically for glycolysis, essential amino acid, ketone body and lipoprotein size metabolites.

We recently showed that across the mainland USA there is no association between the density of fast food and full service restaurants and the prevalence of obesity. In a recent editorial it was suggested there are 4 problems with our analysis. The suggested problems were the area of analysis may not reflect adequately the exposure to different outlets, using the absolute numbers of restaurants rather than their ratio, using a global model which assumes the same relationship across all sites and finally the potential for residual confounding. In this short note we address all four of these issues and provide some new analysis of the impact of the ratio of restaurant types on obesity prevalence showing there is only a very weak association (r2 = 0.006). We conclude that none of the supposed weaknesses in our original analysis are valid.