Development and use of FFQ among adults in diverse settings across the globe
Notice bibliographique
Résumé
In nutritional epidemiology, development of valid dietary assessment instruments specific to populations in diverse settings is of paramount importance. Such instruments are essential when trying to characterise dietary patterns and intake, investigate diet-disease associations, inform and evaluate nutrition interventions, assess nutrient-gene interactions, conduct cross-country comparison studies and monitor nutrition transitions. The FFQ is a relatively inexpensive tool for measuring long-term dietary intake for large populations and for allowing researchers to track dietary changes over time. However, FFQ must be population specific to capture the local diet and available foods. Collecting 24-h dietary recalls and utilising community feedback to build the FFQ ensures that a culturally appropriate instrument is developed. This article presents several examples describing FFQ development and utilisation in different settings globally. In the Canadian Arctic, FFQ were developed and utilised to inform and evaluate a community-based intervention programme, characterise the diet and track dietary changes occurring among Inuit and Inuvialuit, populations experiencing rising rates of chronic disease and likely to be extremely vulnerable to the potential effects of climate change. Another example is an FFQ developed to assess sodium intake and evaluate a sodium reduction trial in a high-risk population in Barbados. An example is provided from Brazil, where an FFQ was developed to assess associations between diet, heterocyclic aromatic amines and colorectal adenoma among Japanese Brazilians and to conduct cross-country comparisons. These and other case studies highlight the diversity in dietary intake between populations and the need for FFQ to be developed to capture this diversity.
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) | 0,000 | 0,000 |
| 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 ».