Hunger and Aversion: Drives That Influence Food Intake of Hospitalized Geriatric Patients
Notice bibliographique
Résumé
BACKGROUND: Diminished appetite occurs frequently with aging and is considered an important clinical symptom of malnutrition, a condition associated with negative clinical outcome, decreased quality of life, and increased health care costs in hospitalized geriatric patients. Yet, in this population, research is scant on hunger and aversion, the two underlying drives that shape appetite, or on their influence on food intake. This study aimed (a) to examine their interrelationship and respective contribution to food intake; (b) to determine how each relate to other health-related contemporaneous subjective states preceding the meal (good physical health, positive mood, pain); and (c) to explore clinical variables as moderators of the drives-intake relationships to identify population segments for which these relationships are the strongest. METHODS: 32 patients (21 women, 11 men; age range, 65-92 years) were observed during repeated meals in a geriatric rehabilitation unit (for a total of 1477 meals). Perceived hunger, aversion, and contemporaneous subjective states were reported before each meal. Protein and energy consumption was calculated from plate leftovers. Clinical measures were obtained from participants' medical charts. RESULTS: The hunger-aversion relationship had a low inverse correlation (p =.001), with each uniquely contributing to protein intake (positive and negative effects, respectively; all p <.05). Hunger was positively associated with the perception of physical health and with mood (all p =.001). Aversion was associated with pain (p =.001). Furthermore, aversion-intake relationships were influenced by moderators, whereas hunger-intake relationships remained constant. CONCLUSIONS: From a clinical perspective, these results suggest that nutritional interventions aimed at bolstering hunger and curbing aversion may be necessary to ensure optimal food intake. Subgroups of patients who would particularly benefit from these interventions are suggested.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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 | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».