Antidepressant foods: An evidence-based nutrient profiling system for depression
Notice bibliographique
Résumé
AIM: To investigate which foods are the most nutrient dense sources of nutrients demonstrated by the scientific literature to play a role in the prevention and promotion of recovery from depressive disorders. METHODS: A systematic literature review was conducted to derive a list of Antidepressant Nutrients from the 34 nutrients known to be essential for humans using level of evidence criteria. Nutritional data was extracted for a subset of foods with a high content of at least 1 Antidepressant Nutrient using a USDA database. These foods were analyzed for Antidepressant Nutrient density resulting in an Antidepressant Food Score (AFS). Plant and animal foods were analyzed separately. RESULTS: Twelve Antidepressant Nutrients relate to the prevention and treatment of depressive disorders: Folate, iron, long-chain omega-3 fatty acids (EPA and DHA), magnesium, potassium, selenium, thiamine, vitamin A, vitamin B6, vitamin B12, vitamin C, and zinc. The highest scoring foods were bivalves such as oysters and mussels, various seafoods, and organ meats for animal foods. The highest scoring plant foods were leafy greens, lettuces, peppers, and cruciferous vegetables. CONCLUSION: The AFS is based on a nutrient profiling system devised to identify foods with the highest nutrient density of nutrients with clinical evidence to support their role in depressive disorders. This list of foods and food categories with the highest density of the 12 Antidepressant Nutrients, the Antidepressant Foods, should be considered by researchers in the design of future intervention studies and clinicians as dietary options to support prevention and recovery from depression disorders.
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 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 ».