Potassium content of the American food supply and implications for the management of hyperkalemia in dialysis: An analysis of the Branded Product Database
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ultraprocessed foods can be a source of potassium additives. Excess potassium consumption can lead to hyperkalemia. How frequently potassium additives are found in the food supply and how they impact potassium content is not well documented. Using the Branded Product Database, ingredient lists were searched for "potassium" to identify products containing additives. For products listing potassium content, accuracy of potassium content reporting and how potassium content differed with additive use was also assessed. A total of 239,089 products were included, 35,102 (14.7%) contained potassium additives, and 13,685 (5.7%) provided potassium content. Potassium additives were most commonly found in dairy products, supplements, and mixed foods (at 37%, 34%, and 28%, respectively). Potassium additives in mixed foods and vegetables and fruits were associated with 71% and 28% more potassium per serving, respectively (p < 0.01). Potassium content increased by 1874 mg (66%) when a 1-day sample menu compared foods with and without additives. Potassium content of foods with and without additives is not well documented. Potassium additives are prevalent and can be associated with increased potassium content. However, more information is needed to better understand how different additives used in different foods change potassium content.
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.
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 | 0,004 |
| 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 découle