Toward the Definition of Personalized Nutrition: A Proposal by The American Nutrition Association
Notice bibliographique
Résumé
Personalized nutrition holds tremendous potential to improve human health. Despite exponential growth, the field has yet to be clearly delineated and a consensus definition of the term "personalized nutrition" (PN) has not been developed. Defining and delineating the field will foster standardization and scalability in research, data, training, products, services, and clinical practice; and assist in driving favorable policy. Building on the seminal work of pioneering thought leaders across disciplines, we propose that personalized nutrition be defined as: a field that leverages human individuality to drive nutrition strategies that prevent, manage, and treat disease and optimize health, and be delineated by three synergistic elements: PN science and data, PN professional education and training, and PN guidance and therapeutics. Herein we describe the application of PN in these areas and discuss challenges and solutions that the field faces as it evolves. This and future work will contribute to the continued refinement and growth of the field of PN.Teaching pointsPN approaches can be most effective when there is consensus regarding its definition and applications.PN can be delineated into three main areas of application: PN science and data, PN education and training, PN guidance and therapeutics.PN science and data foster understanding about the impact of genetic, phenotypic, biochemical and nutritional inputs on an individual's health.PN education and training equip a variety of healthcare professionals to apply PN strategies in many healthcare settings.PN professionals have greater ability to tailor interventions via PN guidance and therapeutics.Favorable policy allows PN to be more fully integrated into the healthcare system.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».