MétaCan
Menu
Retour à la cohorte
Enregistrement W2971972854 · doi:10.1016/j.clnu.2019.08.028

Milk analysis using milk analyzers in a standardized setting (MAMAS) study: A multicentre quality initiative

2019· article· en· W2971972854 sur OpenAlexafffund
Celia Kwan, Gerhard Fusch, Niels Rochow, Christoph Fusch, Salhab el Helou, Mandy B. Belfort, Jannette Festival, Amy B. Hair, Jean-Michel Hascoët, T. Kuehn, MIRIS, Mathias Nelle, Deborah L. O’Connor, G. Pelligra, Brenda B. Poindexter, Ting Ting Fu, Berndt Urlesberger, Aleksandra Wesołowska, Olga Barbarska

Notice bibliographique

RevueClinical Nutrition · 2019
Typearticle
Langueen
DomaineNursing
ThématiqueInfant Nutrition and Health
Établissements canadiensSickKids FoundationBank of CanadaMcMaster UniversityVictoria General HospitalMcMaster University Medical CentreUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineQuality (philosophy)

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Human milk analyzers are increasingly used to rapidly measure the macronutrient content in breast milk for individual target fortification, to reduce the risk of postnatal growth restriction. However, many milk analyzers are used without calibration, validation or quality assurance. AIMS: To investigate measurement quality between different human milk analyzers, to test whether accuracy and precision of devices can be improved by establishing individual calibration curves, and to assess long-term stability of measurements, following good clinical laboratory practice (GCLP). METHODS: Sets of identical breast milk samples were sent to 13 participating centres in North America and Europe, for a total of 15 devices. The study included 3 sets of samples: A) initial assessment of the device's performance consisting of 10 calibration samples with random replicates; B) long term stability and quality control consisting of 2 batches of samples to be measured every time before the device is used, over 6 months; C) ring trial consisting of 2 samples to be measured monthly. The devices tested were Unity SpectraStar (n = 5) and MIRIS Human Milk Analyzer (n = 10). RESULTS: There are significant variations in accuracy and precision between different milk analyzers' fat, protein and lactose measurements. However, the accuracy of measurements can be improved by establishing individual correction algorithms. Repeated measurements are more robust when coming from a larger batch volume. Long term stability also varies between devices. CONCLUSION: The variations in measurements between devices are clinically significant and would impact both daily dietary prescriptions, and the outcomes of clinical studies assessing the effect of targeted adjustment of nutrient intake in preterm babies. This study shows that it is crucial to follow GCLP when using milk analyzers to ensure proper measurement of macronutrients, similar to what is required of other medical devices.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,139
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,466
Écart entre enseignants0,366 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations51
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueClinical NutritionMême sujetInfant Nutrition and HealthTravaux en français237 207