Perspective: Guiding Principles for the Implementation of Personalized Nutrition Approaches That Benefit Health and Function
Notice bibliographique
Résumé
Personalized nutrition (PN) approaches have been shown to help drive behavior change and positively influence health outcomes. This has led to an increase in the development of commercially available PN programs, which utilize various forms of individual-level information to provide services and products for consumers. The lack of a well-accepted definition of PN or an established set of guiding principles for the implementation of PN creates barriers for establishing credibility and efficacy. To address these points, the North American Branch of the International Life Sciences Institute convened a multidisciplinary panel. In this article, a definition for PN is proposed: "Personalized nutrition uses individual-specific information, founded in evidence-based science, to promote dietary behavior change that may result in measurable health benefits." In addition, 10 guiding principles for PN approaches are proposed: 1) define potential users and beneficiaries; 2) use validated diagnostic methods and measures; 3) maintain data quality and relevance; 4) derive data-driven recommendations from validated models and algorithms; 5) design PN studies around validated individual health or function needs and outcomes; 6) provide rigorous scientific evidence for an effect on health or function; 7) deliver user-friendly tools; 8) for healthy individuals, align with population-based recommendations; 9) communicate transparently about potential effects; and 10) protect individual data privacy and act responsibly. These principles are intended to establish a basis for responsible approaches to the evidence-based research and practice of PN and serve as an invitation for further public dialog. Several challenges were identified for PN to continue gaining acceptance, including defining the health-disease continuum, identification of biomarkers, changing regulatory landscapes, accessibility, and measuring success. Although PN approaches hold promise for public health in the future, further research is needed on the accuracy of dietary intake measurement, utilization and standardization of systems approaches, and application and communication of evidence.
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 | 0,090 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,035 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,019 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».