Leveraging questionnaire-based physical activity levels (PAL) to identify energy intake misreporting using the Goldberg method: A doubly labeled water validation study
Notice bibliographique
Résumé
ABSTRACT The Goldberg method has been suggested for identifying energy intake (EI) under-reporting in nutritional epidemiology. Its implementation, however, is limited by challenges associated with estimating physical activity levels (PAL). We quantified the accuracy of the Sedentary Time and Activity Reporting Questionnaire (STAR-Q) derived PAL (PAL STAR-Q ) combined with the Goldberg method (Goldberg-PAL STARQ ) to identify EI misreporting as compared with doubly labeled water (DLW) derived total energy expenditure (TEE DLW ). Between 2009 and 2011, 99 men and women completed a two-week DLW protocol, a food frequency questionnaire, and the STAR-Q. The sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV) and accuracy of the Goldberg-PAL STAR-Q were determined. Fifty-eight percent of men and women were classified as under-reporters by Goldberg-PAL STAR-Q compared with 60% of men and 56% of women by TEE DLW . Among men, sensitivity, specificity, PPV, NPV and accuracy and 95% confidence intervals were 88% (68%-97%), 87% (61%-98%), 91% (72%-99%), 81% (56%-94%), and 87% (72%-95%), respectively; and among women 79% (62%-90%), 69% (50%-84%), 77% (60%-88%), 72% (52%-86%), and 75% (62%-84%), respectively. Validated individual level PALs used with the Goldberg method can be informative in sensitivity analyses to gain insight into EI misreporting in nutritional epidemiology studies lacking in objective EI measures.
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 | 0,016 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».