Assessing Mealtime Macronutrient Content: Patient Perceptions Versus Expert Analyses via a Novel Phone App
Notice bibliographique
Résumé
Background: People with type 1 diabetes estimate meal carbohydrate content to accurately dose insulin, yet, protein and fat content of meals also influences postprandial glycemia. We examined accuracy of macronutrient content estimation via a novel phone app. Participant estimates were compared with expert nutrition analyses performed via the Remote Food Photography Method© (RFPM©). Methods: Data were collected through a novel phone app. Participants were asked to take photos of meals/snacks on the day of and day after scheduled exercise, enter carbohydrate estimates, and categorize meals as low, typical, or high protein and fat. Glycemia was measured via continuous glucose monitoring. Results: Participants ( n = 48) were 15–68 years (34 ± 14 years); 40% were female. The phone app plus RFPM© analysis captured 88% ± 29% of participants' estimated total energy expenditure. The majority (70%) of both low-protein and low-fat meals were accurately classified. Only 22% of high-protein meals and 17% of high-fat meals were accurately classified. Forty-nine percent of meals with <30 g of carbohydrates were overestimated by an average of 25.7 ± 17.2 g. The majority (64%) of large carbohydrate meals (≥60 g) were underestimated by an average of 53.6 ± 33.8 g. Glycemic response to large carbohydrate meals was similar between participants who underestimated or overestimated carbohydrate content, suggesting that factors beyond carbohydrate counting may impact postprandial glycemic response. Conclusions: Accurate estimation of total macronutrients in meals could be leveraged to improve insulin decision support tools and closed loop insulin delivery systems; development of tools to improve macronutrient estimation skills should be considered.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».