Are Predictive Energy Expenditure Equations Accurate in Cirrhosis?
Notice bibliographique
Résumé
Malnutrition is associated with significant morbidity and mortality in cirrhosis. An accurate nutrition prescription is an essential component of care, often estimated using time-efficient predictive equations. Our aim was to compare resting energy expenditure (REE) estimated using predictive equations (predicted REE, pREE) versus REE measured using gold-standard, indirect calorimetry (IC) (measured REE, mREE). We included full-text English language studies in adults with cirrhosis comparing pREE versus mREE. The mean differences across studies were pooled with RevMan 5.3 software. A total of 17 studies (1883 patients) were analyzed. The pooled cohort was comprised of 65% men with a mean age of 53 ± 7 years. Only 45% of predictive equations estimated energy requirements to within 90–110% of mREE using IC. Eighty-three percent of predictive equations underestimated and 28% overestimated energy needs by ±10%. When pooled, the mean difference between the mREE and pREE was lowest for the Harris–Benedict equation, with an underestimation of 54 (95% CI: 30–137) kcal/d. The pooled analysis was associated with significant heterogeneity (I2 = 94%). In conclusion, predictive equations calculating REE have limited accuracy in patients with cirrhosis, most commonly underestimating energy requirements and are associated with wide variations in individual comparative data.
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 | 0,021 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».