Promotion of healthy nutrition in primary and secondary cardiovascular disease prevention: a clinical consensus statement from the European Association of Preventive Cardiology
Notice bibliographique
Résumé
BACKGROUND: Poor dietary habits are common and lead to significant morbidity and mortality. However, addressing and improving nutrition in various cardiovascular settings remain sub-optimal. This paper discusses practical approaches to how nutritional counselling and promotion could be undertaken in primary care, cardiac rehabilitation, sports medicine, paediatric cardiology, and public health. DISCUSSION: Nutrition assessment in primary care could improve dietary patterns and use of e-technology is likely to revolutionize this. However, despite technological improvements, the use of smartphone apps to assist with healthier nutrition remains to be thoroughly evaluated. Cardiac rehabilitation programmes should provide individual nutritional plans adapted to the clinical characteristics of the patients and include their families in the dietary management. Nutrition for athletes depends on the sport and the individual and preference should be given to healthy foods, rather than nutritional supplements. Nutritional counselling is also very important in the management of children with familial hypercholesterolaemia and congenital heart disease. Finally, policies taxing unhealthy foods and promoting healthy eating at the population or workplace level could be effective for prevention of cardiovascular diseases. Within each setting, gaps in knowledge are provided. CONCLUSION: This clinical consensus statement contextualizes the clinician's role in nutrition management in primary care, cardiac rehabilitation, sports medicine, and public health, providing practical examples of how this could be achieved.
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 | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».