Development and Evaluation of an Automated Algorithm to Estimate the Nutrient Intake of Infants from an Electronic Complementary Food Frequency Questionnaire
Notice bibliographique
Résumé
Background: We previously validated a four-day complementary food frequency questionnaire (CFFQ) to estimate the nutrient intake in New Zealand infants aged 9-12 months. However, manual entry of the CFFQ data into nutritional analysis software was time-consuming. Therefore, we developed an automated algorithm and evaluated its accuracy by comparing the nutrient estimates with those obtained from the nutritional analysis software. Methods: We analysed 50 CFFQ completed at 9- and 12-months using Food Works nutritional analysis software. The automated algorithm was programmed in SAS by multiplying the average daily consumption of each food item by the nutrient content of the portion size. We considered the most common brands for commercially prepared baby foods. Intakes of energy, macronutrients, and micronutrients were compared between methods using Bland-Altman analysis. Results: The automated algorithm did not have any significant bias for estimates of energy (kJ) (MD 15, 95% CI -27, 58), carbohydrate (g) (MD -0.1, 95% CI -1.2,1.0), and fat (g) (-0.1, 95% CI -0.3,0.1), but slightly underestimated intake of protein (MD -0.4 g, 95% CI -0.7,-0.1), saturated fat, PUFA, dietary fibre, and niacin. The algorithm provided accurate estimates for other micronutrients. The limits of agreement were relatively narrow. Conclusion: This automated algorithm is an efficient tool to estimate the nutrient intakes from CFFQ accurately. The small negative bias observed for few nutrients was clinically insignificant and can be minimised. This algorithm is suitabl
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 | 0,014 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».