MétaCan
Menu
Retour à la cohorte
Enregistrement W4411089766 · doi:10.1016/j.nutos.2025.06.001

Dietary biomarkers of ultra-processed foods: A narrative review

2025· review· en· W4411089766 sur OpenAlexfundno aff
Thomas Scott Armstrong, Kaitlyn Delaney Chappell, Lekan Ajibulu, Karen Wong

Notice bibliographique

RevueClinical Nutrition Open Science · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Alberta
Mots-clésFood scienceNarrative reviewMedicineChemistryIntensive care medicine

Résumé

récupéré en direct d'OpenAlex

<h2>Summary</h2> The rapidly increasing prevalence of ultra-processed foods (UPFs) in global diets necessitates a more comprehensive understanding of this food group's effects on health and disease. Nutritional biomarkers are critical for developing this understanding, as they provide an objective assessment of the body's response to UPF intake. Here, we critically assessed the findings of five studies-all of which were identified via a systematic search of the literature using stringent criteria and were focused on the biomarkers of UPFs. Based on the data extracted, we categorized UPF biomarkers into organic acids (including amino acids), lipids/lipid-like molecules, xenobiotic food components (specifically associated with UPFs), and other molecular compounds (dietary oxysterols, nucleotides, proteins, etc). These findings emphasized the importance of future studies concerning UPF and food processing techniques, while providing a succinct summary of the current biomarkers of UPFs in relevant literature.

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)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,750
Score d'incertitude au seuil0,963

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0000,003
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0020,000
Intégrité de la recherche0,0000,001
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 Opus0,208
Tête enseignante GPT0,531
Écart entre enseignants0,323 · 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'étudeAutre devis
Domainenon disponible
GenreSynthèse

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

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical Nutrition Open ScienceMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207