Refinement and validation of an FFQ developed to estimate macro- and micronutrient intakes in a south Indian population
Notice bibliographique
Résumé
OBJECTIVE: Potential error sources in nutrient estimation with the FFQ include inaccurate or biased recall and overestimation or underestimation of intake due to too many or too few items on the FFQ, respectively. Here we report the refinement of an FFQ that overestimated nutrient intake and its validation against multiple 24 h recalls. STUDY DESIGN: Data on 2527 participants in south India (Trivandrum) were available for the original FFQ (OFFQ) that overestimated nutrient intake (132 food items). After excluding participants with implausible energy intake estimates (<2.72 MJ/d (<650 kcal/d), >15.69 MJ/d (>3750 kcal/d)) we ran stepwise regression analyses with selected nutrients as the outcomes and food intake (servings/d) as predictor variables (n 1867). From these results and expert consultation we refined the FFQ (RFFQ), and validated it by comparing intakes obtained with it and the mean of two 24 h recalls among 100 participants. RESULTS: The OFFQ overestimated usual daily nutrient intake before and after exclusions [for energy: 13.39 (sd 5.46) MJ (3201 (sd 1305) kcal) and 10.96 (sd 2.65) MJ (2619 (sd 634) kcal), respectively]. In stepwise analyses, fifty-seven food items explained 90 % of the variance in nutrients; we retained thirteen food items because participants consumed them at least twice monthly and twelve food items that local nutritionists recommended. Mean energy intake estimated from the RFFQ (eighty-two food items) was 7.94 (sd 2.05) MJ (1897 (sd 489) kcal). The de-attenuated correlations between mean 24 h recall and RFFQ intakes ranged from 0.25 (vitamin A) to 0.82 (fat). CONCLUSION: We refined an FFQ that overestimated nutrient intake by shortening and redesigning, and validated it by comparisons with 24 h dietary recall data.
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 ».