Identifying Dietary Strategies to Improve Nutrient Adequacy among Ethiopian Infants and Young Children Using Linear Modelling
Notice bibliographique
Résumé
Nutrient adequacy of young children's diet and best possible strategies to improve nutrient adequacy were assessed. Data from the Ethiopian National Food Consumption Survey were analysed using Optifood (software for linear programming) to identify nutrient gaps in diets for children (6-8, 9-11 and 12-23 months), and to formulate feasible Food-Based Dietary Recommendations (FBDRs) in four regions which differ in culture and food practices. Alternative interventions including a local complementary food, micronutrient powders (MNPs), Small quantity Lipid-based Nutrient Supplement (Sq-LNS) and combinations of these were modelled in combination with the formulated FBDRs to compare their relative contributions. Risk of inadequate and excess nutrient intakes was simulated using the Estimated Average Requirement cut-point method and the full probability approach. Optimized local diets did not provide adequate zinc in all regions and age groups, iron for infants <12 months of age in all regions, and calcium, niacin, thiamine, folate, vitamin B12 and B6 in some regions and age-groups. The set of regional FBDRs, considerably different for four regions, increased nutrient adequacy but some nutrients remained sub-optimal. Combination of regional FBDRs with daily MNP supplementation for 6-12 months of age and every other day for 12-23 months of age, closed the identified nutrient gaps without leading to a substantial increase in the risk of excess intakes.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».