Effect of Coffee/Tea on Mean Values and Variability of The Glycemic Index of Foods
Notice bibliographique
Résumé
There is accumulating evidence that a low glycemic index (GI) diet may reduce the risk of a number of chronic diseases, thus, there is increasing interest in GI in nutrition research. Since numerous methodological factors influence GI determination, valid use of the concept requires accurate and precise methodology. One factor that has been assumed to be important is the type of drink served with test foods. Thus, to see if allowing subjects to drink coffee/tea affected the mean and variation of GI, the GI values of Fruit Leather (FL), and Cheese Puffs (CP) were determined twice in 10 subjects using the FAO/WHO protocol with white bread (WB) as the reference food. In one series subjects could choose either 250 ml coffee or tea with the test foods, while in the other they had 250 ml water as the drink. Coffee/tea increased blood glucose (BG) 30 min after the WB and CP and reduced BG at 120 min compared to water (p<0.05). Similar trends were seen for FL (p>0.05). There were no significant differences between drinks on mean iAUC and mean GI values for all foods (p>0.05). The within‐subject coefficient of variation of iAUC (CV=100 × SD/mean) for the repeated WB tests with coffee/tea, 21±3.0 %, was less than with water, 30±5.3 %, although the difference was not significant. The GI SEM for FL and CP with coffee/tea 5.6 and 8.3, were less than those with water 49.3 and 11.6. These results suggest that coffee/tea do not affect the mean but may improve the precision of GI values.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».