Addressing the risk of inadequate and excessive micronutrient intakes: traditional versus new approaches to setting adequate and safe micronutrient levels in foods
Notice bibliographique
Résumé
Fortification of foods consumed by the general population or specific food products or supplements designed to be consumed by vulnerable target groups is amongst the strategies in developing countries to address micronutrient deficiencies. Any strategy aimed at dietary change needs careful consideration, ensuring the needs of at-risk subgroups are met whilst ensuring safety within the general population. This paper reviews the key principles of two main assessment approaches that may assist developing countries in deciding on effective and safe micronutrient levels in foods or special products designed to address micronutrient deficiencies, that is, the cut-point method and the stepwise approach to risk–benefit assessment. In the first approach, the goal is to shift population intake distributions such that intake prevalences below the Estimated Average Requirement (EAR) and above the Tolerable Upper Intake Level (UL) are both minimized. However, for some micronutrients like vitamin A and zinc, a narrow margin between the EAR and UL exists. Increasing their intakes through mass fortification may pose a dilemma; not permitting the UL to be exceeded provides assurance about the safety within the population but can potentially leave a proportion of the target population with unmet needs, or vice versa. Risk–benefit approaches assist in decision making at different micronutrient intake scenarios by balancing the magnitude of potential health benefits of reducing inadequate intakes against health risks of excessive intakes. Risk–benefit approaches consider different aspects of health risk including severity and number of people affected. This approach reduces the uncertainty for policy makers as compared to classic cut-point methods.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».