Development and validation of dietary depression index in Chinese adults
Notice bibliographique
Résumé
Objective Previous studies have suggested diet was associated with depressive symptoms. We aimed to develop and validate Dietary Depression Index (DDI) based on dietary prediction of depression in a large Chinese cancer screening cohort.Methods In the training set (n = 2729), we developed DDI by using intake of 20 food groups derived from a food frequency questionnaire to predict depression as assessed by Patient Health Questionnaire-9 based on the reduced rank regression method. Sensitivity, specificity, positive predictive value, and negative predictive value were used to assess the performance of DDI in evaluating depression in the validation dataset (n = 1176).Results Receiver operating characteristic analysis was constructed to determine the best cut-off value of DDI in predicting depression. In the study population, the DDI ranged from −3.126 to 1.810. The discriminative ability of DDI in predicting depression was good with the AUC of 0.799 overall, 0.794 in males and 0.808 in females. The best cut-off values of DDI for depression prediction were 0.204 overall, 0.330 in males and 0.034 in females. DDI was a validated method to assess the effects of diet on depression.Conclusion Among individual food components in DDI, fermented vegetables, fresh vegetables, whole grains and onions were inversely associated, whereas legumes, pickled vegetables and rice were positively associated with depressive symptoms.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».