Effects of Nutrition on Osteoarthritis in Women Over the 50 Years: Using the Korea National Health and Nutrition Examination Survey (KNHANES) Data
Notice bibliographique
Résumé
There are prior articles on osteoarthritis of demographic and nutritional factors, previous studies show a lack of empirical analysis using public data, focusing primarily on predicting or assessing risk factors focusing on demographic characteristics. Since the disease called osteoarthritis itself has yet to be clearly treated, we would like to establish that the preventive medical aspect of osteoarthritis is very important and that prevention through nutrient intake can reduce the social and economic costs of osteoarthritis. We intend to prepare basic data for osteoarthritis by analyzing the prevalence of osteoarthritis in women over the 50 age based on demographic and nutritional characteristics using the 7th National Nutrition Survey data in 2016 and 2017. As results, cholesterol and sodium negatively affect the odds of osteoarthritis and nutrients classified as inorganic reduce the odds of osteoarthritis in 50 age women to 59 years old. In addition, in women over 60 and under 69 years of age, vitamin B has been found to reduce the risk of osteoarthritis and iron has a significant effect on women in their 70s and older. Therefore, these nutrients are ‘micronutrients’ and, among the five major nutrients, were identified as the nutrients that assisted the ‘macronutrients’.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».