Lower Energy-Adjusted Nutrient Intakes Occur Among Food Energy Under-Reporters With Poor Mental Health
Notice bibliographique
Résumé
Background Food energy under-reporting is differentially distributed among populations. Currently, little is known about how mental health state may affect energy-adjusted nutrient intakes among food energy under-reporters. Methods Stratified analysis of energy-adjusted nutrient intake by mental health (poor vs. good) and age/sex was conducted using data from Canadian Community Health Survey (CCHS) respondents (14–70 years; n = 8,233) who were deemed as under-reporters based on Goldberg's cutoffs. Results Most were experiencing good mental health (95.2%). Among those reporting poor mental health, significantly lower energy-adjusted nutrient intakes tended to be found for fiber, protein, vitamins A, B 2 , B 3 , B 6 , B 9 , B 12 , C, and D, and calcium, potassium, and zinc (probability measures ( p ) < 0.05). For women (51–70 years), all micronutrient intakes, except iron, were significantly lower among those reporting poor mental health ( p < 0.05). For men (31–50 years), B vitamin and most mineral intakes, except sodium, were significantly lower among those reporting poor mental health ( p < 0.05). Among women (31–50 years) who reported poor mental health, higher energy-adjusted intakes were reported for vitamin B 9 and phosphorus ( p < 0.05). Conclusions Among food energy under-reporters, poor mental health tends to lower the report of specific energy-adjusted nutrient intakes that include ones critical for mental health. Future research is needed to discern if these differences may be attributed to deviations in the accurate reports of food intakes, measurement errors, or mental health states.
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 | 0,000 | 0,000 |
| 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 ».