Micronutrient supplementation: when is best and why?
Notice bibliographique
Résumé
For many nutrients, a systematic determination of the effects of high intakes over extended periods of time has not been conducted. Governments and scientific bodies have just begun to establish the methodology for, and to conduct, nutrient risk assessments for setting 'tolerable upper levels of intake' (UL) for nutrients. Nutrient risk assessment provides the framework for using available information to evaluate the safety of nutrients when added to foods or when consumed as supplements, in order to minimize the risks from over-consumption. When intakes are inadequate, food fortification may be the appropriate choice for some nutrients, while in other situations, when requirements are markedly higher for some population subgroups than for the general population, supplements may be the most appropriate intervention. The present paper will present some examples of how to use the UL along with food consumption data to assess the appropriateness of food fortification v. supplementation strategies and to assess their impact on nutrient intakes of the population. The important steps to be followed when evaluating which approach is best are: (a) establishing need, i.e. assessing the gap between current and desired intakes; (b) assessing safety, i.e. consider the margin of safety between requirement and UL as well as the severity and reversibility of the adverse effect that was used to establish the UL; (c) estimating exposure through statistical modelling, in which population-based estimates of intakes before and after the intervention are compared; (d) monitoring the impact of the intervention to ensure that the desired benefits are achieved and that excessive intakes are minimized. This approach can optimize the public health benefits of food fortification or supplement use while minimizing the risks due to excessive intakes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».