Development of a Database for the Estimation of Heme Iron and Nonheme Iron Content of Animal-Based Foods
Notice bibliographique
Résumé
Background: Total iron (TI) intake and differentiation between heme iron (HI) and nonheme iron (NHI) are uncommon despite markedly different bioavailability. Objectives: To create a database compiling information from studies that directly assessed the HI content of animal products using the Hornsey method, and to explore differences in estimates of HI intake between the data compiled and the Monsen method. Methods: A literature search identified studies that chemically characterized the HI content of animal-based foods using the Hornsey method; HI, NHI, and TI contents (mg/100 g) were compiled. Information was grouped by animal type and cooking method, and mean (± SD) HI% was calculated. Using a 24-h dietary record, differences in HI and NHI intake using the compiled information and the Monsen approach were explored. Results: Actual HI% values ranged from 7% to 94%. Raw foods had the highest HI% [raw duck (94% ± 4%), raw blood curd (82% ± 4%), and raw beef (79% ± 9%)]. Boiled foods had the lowest HI% [boiled shrimp (11% ± 5%) and meatballs (15% ± 6%)]. Cooked foods with the highest HI% were beef (70% ± 10%) and lamb (70% ± 9%). In many instances, applying actual HI% from the complied database produced markedly different measures of the HI content of foods [cooked beef (Monsen: 1.3 mg/100 g); (Hornsey: 2.3 mg/100 g)]. Estimation of iron intake in a 24-h recall demonstrated that using animal-specific HI% results in different estimates of HI intake [Monsen: 1.2 mg HI (40%); Hornsey: 1.8 mg HI (59%)]. Conclusions: Animal-based foods have variable HI%. A fixed HI:NHI ratio does not reflect this variation and could give rise to inaccurate estimates of HI content in food and HI intake. Consideration of this variation in HI% may improve our ability to link dietary intake with iron status and important health 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,036 | 0,025 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».