Advances in methods for characterising dietary patterns: a scoping review
Notice bibliographique
Résumé
There is a growing focus on understanding the complexity of dietary patterns and how they relate to health and other factors. Approaches that have not traditionally been applied to characterise dietary patterns, such as latent class analysis and machine learning algorithms, may offer opportunities to characterise dietary patterns in greater depth than previously considered. However, there has not been a formal examination of how this wide range of approaches has been applied to characterise dietary patterns. This scoping review synthesised literature from 2005 to 2022 applying methods not traditionally used to characterise dietary patterns, referred to as novel methods. MEDLINE, CINAHL and Scopus were searched using keywords including latent class analysis, machine learning and least absolute shrinkage and selection operator. Of 5274 records identified, 24 met the inclusion criteria. Twelve of twenty-four articles were published since 2020. Studies were conducted across seventeen countries. Nine studies used approaches with applications in machine learning, such as classification models, neural networks and probabilistic graphical models, to identify dietary patterns. The remaining studies applied methods such as latent class analysis, mutual information and treelet transform. Fourteen studies assessed associations between dietary patterns characterised using novel methods and health outcomes, including cancer, cardiovascular disease and asthma. There was wide variation in the methods applied to characterise dietary patterns and in how these methods were described. The extension of reporting guidelines and quality appraisal tools relevant to nutrition research to consider specific features of novel methods may facilitate consistent reporting and enable synthesis to inform policies and programs.
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 | 0,052 | 0,187 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,041 | 0,044 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».