MétaCan
Menu
Retour à la cohorte
Enregistrement W2570054228 · doi:10.1177/0840470416662885

Nutrition as a component of dementia risk reduction strategies

2016· article· en· W2570054228 sur OpenAlexaffabout
Carol E. Greenwood, Matthew D. Parrott

Notice bibliographique

RevueHealthcare Management Forum · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueNutritional Studies and Diet
Établissements canadiensConcordia UniversityBaycrest HospitalUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésDementiaGerontologyEnvironmental healthMedicinePopulation ageingPopulationPublic healthDiseaseNursingPathology

Résumé

récupéré en direct d'OpenAlex

According to the Alzheimer Society of Canada, within the next generation, Canada will experience a more than doubling of individuals living with dementia and a potentially economically crippling 10-fold increase in costs to Canadians. Up to 50% of cases with dementia can be attributed to seven modifiable, predominantly vascular and/or lifestyle-associated, risk factors. Multi-modal dementia risk reduction strategies, targeting diet, exercise, mental stimulation, and vascular risk monitoring, are likely to be the most successful. Diet-related strategies need to focus on overall diet quality and not on individual foods or nutrients. High-quality diets that are associated with better cognitive function and lower dementia risk with aging are high in vegetables, fruits, nuts, whole grains, and fish and low in red meat, high-fat dairy products, sweets, and highly processed foods. It is the time to embed risk reduction strategies into our public health and healthcare infrastructure to proactively address the challenges posed by population aging.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,461
Score d'incertitude au seuil0,311

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,295
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealthcare Management ForumMême sujetNutritional Studies and DietTravaux en français237 207