MétaCan
Menu
Retour à la cohorte
Enregistrement W4392829832 · doi:10.62051/4pt2w058

(Poly)phenol-rich food and cardio-metabolic health

2023· article· en· W4392829832 sur OpenAlexaff
Yu Hu

Notice bibliographique

RevueTransactions on Materials Biotechnology and Life Sciences · 2023
Typearticle
Langueen
DomaineMedicine
ThématiquePhytochemicals and Antioxidant Activities
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésBlood pressureDiseaseGlycemicPhenolsMetabolic syndromeMedicineObesityFood scienceDiabetes mellitusInternal medicineEndocrinologyChemistryBiochemistry

Résumé

récupéré en direct d'OpenAlex

Due to the changes in people's diet structure caused by economic development, cardio-metabolic disease has also become a concernthat more people care about or need to alleviate. (Poly)phenols, a chemical widely found in natural plants or fruits, such as, berries and tea, are thought to play an important role in alleviating cardiometabolic disease. As a result, (poly)phenols rich foods can offer positive effects in general cardiovascular system, and multiple evidence present in helping improve glycemic control, blood pressure and blood lipid level. However, controversy remains , especially in their effects on relieving metabolic syndrome, and the effects of (poly)phenol-rich foods on the cardiovascular system could be differed based on origin, for example, quercetin is associated with blood pressure, but cannot contribute to blood glucose problem as much as they provide in hypertension, while anthocyanins signally relieve glycemic disorder. Meanwhile, details such as the daily intake of (poly)phenols with health benefits remains to be explored.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil0,362

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,282
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransactions on Materials Biotechnology and Life SciencesMême sujetPhytochemicals and Antioxidant ActivitiesTravaux en français237 207