MétaCan
Menu
Retour à la cohorte
Enregistrement W2593538689 · doi:10.1177/0884533617691244

Variation in Protein Origin and Utilization: Research and Clinical Application

2017· article· en· W2593538689 sur OpenAlexaff
Douglas Paddon‐Jones, Jorge Coss‐Bu, Claudia R. Morris, Stuart M. Phillips, Jan Wernerman

Notice bibliographique

RevueNutrition in Clinical Practice · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMuscle metabolism and nutrition
Établissements canadiensMcMaster University
Organismes subventionnairesUniversity of California, San FranciscoSchool of Medicine, Emory University
Mots-clésMedicineIntensive care medicineEnteral administrationQuality (philosophy)Parenteral nutritionProtein qualityCritically illClinical PracticeNursingPathology

Résumé

récupéré en direct d'OpenAlex

Muscle health can be rapidly compromised in clinical environments. Modifiable strategies to preserve metabolic homeostasis in adult patient populations include physical activity and pharmacologic support; however, optimizing dietary practices, or more specifically protein intake, is a necessary prerequisite for any other treatment strategy to be fully effective. Simply increasing protein intake is a well-intentioned but often unfocused strategy to protect muscle health in an intensive care setting. Protein quality is a frequently overlooked factor with the potential to differentially influence health outcomes. Quality can be assessed by a variety of techniques, with digestible indispensable amino acid score being the current and most comprehensive technique endorsed by the Food and Agriculture Organization. In practical terms, animal-based proteins are consistently scored higher in quality compared with incomplete proteins, regardless of the assessment method. Consequently, choosing parenteral and/or enteral feeding options that contain high-quality proteins, rich in the branched-chain amino acid leucine, may help establish a dietary framework with the potential to support clinical practice and improve health outcomes in critically ill patients.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,024
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0000,002
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,233
Tête enseignante GPT0,539
Écart entre enseignants0,306 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations14
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNutrition in Clinical PracticeMême sujetMuscle metabolism and nutritionTravaux en français237 207