Dietary Docosahexaenoic Acid and Arachidonic Acid in Early Life: What Is the Best Evidence for Policymakers?
Notice bibliographique
Résumé
BACKGROUND: A wealth of information on the functional roles of docosahexaenoic acid (DHA) and arachidonic acid (ARA) from cellular, animal, and human studies is available. Yet, there remains a lack of cohesion in policymaking for recommended dietary intakes of DHA and ARA in early life. This is predominantly driven by inconsistent findings from a relatively small number of randomised clinical trials (RCTs), which vary in design, methodology, and outcome measures, all of which were conducted in high-income countries. It is proposed that this selective evidence base may not fully represent the biological importance of DHA and ARA during early and later life and the aim of this paper is to consider a more inclusive and pragmatic approach to evidence assessment of DHA and ARA requirements in infants and young children, which will allow policymaking to reflect the marked diversity of need worldwide. SUMMARY: Data from clinical RCTs is considered in the context of the extensive evidence from experimental, animal and human observational studies. Although the RCT data shows evidence of beneficial effects on visual function and in specific cognitive domains, early methodological approaches do not reflect current thinking and this undermines the strength of evidence. An outline of a framework for an inclusive and pragmatic approach to policy development on dietary DHA and ARA in early life is described. CONCLUSION: High-quality RCTs that will determine long-term health outcomes in appropriate real-world settings need to be undertaken. In the meantime, a collective pragmatic approach to evidence assessment, may allow public health policymakers to make comprehensive reasoned judgements on the merits, costs, and expediency of dietary DHA and ARA interventions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».