Strategies to Address Misestimation of Energy Intake Based on Self-Report Dietary Consumption in Examining Associations Between Dietary Patterns and Cancer Risk
Notice bibliographique
Résumé
The objective of this study was to determine the influence of strategies of handling misestimation of energy intake (EI) on observed associations between dietary patterns and cancer risk. Data from Alberta’s Tomorrow Project participants (n = 9,847 men and 16,241 women) were linked to the Alberta Cancer Registry. The revised-Goldberg method was used to characterize EI misestimation. Four strategies assessed the influence of EI misestimation: Retaining individuals with EI misestimation in the cluster analysis (Inclusion), excluding before (ExBefore) or after cluster analysis (ExAfter), or reassigning into ExBefore clusters using the nearest neighbor method (InclusionNN). Misestimation of EI affected approximately 50% of participants. Cluster analysis identified three patterns: Healthy, Meats/Pizza and Sweets/Dairy. Cox proportional hazard regression models assessed associations between the risk of cancer and dietary patterns. Among men, no significant associations (based on an often-used threshold of p < 0.05) between dietary patterns and cancer risk were observed. In women, significant associations were observed between the Sweets/Dairy and Meats/Pizza patterns and all cancer risk in the ExBefore (HR (95% CI): 1.28 (1.04–1.58)) and InclusionNN (HR (95% CI): 1.14 (1.00–1.30)), respectively. Thus, strategies to address misestimation of EI can influence associations between dietary patterns and disease outcomes. Identifying optimal approaches for addressing EI misestimation, for example, by leveraging biomarker-based studies could improve our ability to characterize diet-disease associations.
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 | 0,065 | 0,184 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».