Advances in muscle health and nutrition: A toolkit for healthcare professionals
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
Low muscle mass and malnutrition are prevalent conditions among adults of all ages, with any body weight or body mass index, and with acute or chronic conditions, including COVID-19. This article synthesizes the latest research advancements in muscle health and malnutrition, and their impact on immune function, and clinical outcomes. We provide a toolkit of illustrations and scientific information that healthcare professionals can use for knowledge translation, educating patients about the importance of identifying and treating low muscle mass and malnutrition. We focus on the emerging evidence of mitochondrial dysfunction in the context of aging and disease, as well as the cross-talk between skeletal muscle and the immune system. We address the importance of myosteatosis as a component of muscle composition, and discuss direct, indirect and surrogate assessments of muscle mass including ultrasound, computerized tomography, deuterated creatine dilution, and calf circumference. Assessments of muscle function are also included (handgrip strength, and physical performance tests). Finally, we address nutrition interventions to support anabolism, reduce catabolism, and improve patient outcomes. These include protein and amino acids, branched-chain amino acids, with a focus on leucine; β-hydroxy-β-methylbutyrate (HMB), vitamin D; n-3 polyunsaturated fatty acids (n-3 PUFA), polyphenols, and oral nutritional supplements. We concluded with recommendations for clinical practice and a call for action on research focusing on evaluating the impact of body composition assessments on targeted nutrition interventions, and consequently their ability to improve patient outcomes.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle