Modeling thiamine fortification: a case study from Kuria atoll, Republic of Kiribati
Notice bibliographique
Résumé
In 2014, there was an outbreak of beriberi on Kuria, a remote atoll in Kiribati, a small Pacific Island nation. A thiamine-poor diet consisting mainly of rice, sugar, and small amounts of fortified flour was likely to blame. We aimed to design a food fortification strategy to improve thiamine intakes in Kuria. We surveyed all 104 households on Kuria with a pregnant woman or a child 0-59 months. Repeat 24-h dietary recalls were collected from 90 men, 17 pregnant, 44 lactating, and 41 other women of reproductive age. The prevalence of inadequate thiamine intakes was >30% in all groups. Dietary modeling predicted that rice or sugar fortified at a rate of 0.3 and 1.4 mg per 100 g, respectively, would reduce the prevalence of inadequate thiamine intakes to <2.5% in all groups. Fortification is challenging because Kiribati imports food from several countries, depending on price and availability. One exception is flour, which is imported from Fiji. Although resulting in less coverage than rice or sugar, fortifying wheat flour with an additional 3.7 mg per 100 g would reduce the prevalence of inadequacy to under 10%. Kiribati is small and has limited resources; thus, a regional approach to thiamine fortification is needed.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».