Quinoa and pea protein used as a novel source for producing dysphagia-oriented food by 3D printing technique
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dysphagia, a prevalent condition affecting over 30% of the elderly, significantly elevates malnutrition risks due to impaired swallowing and insufficient nutrient intake. This study aimed to develop plant-based, 3D-printed dysphagia diets using pea protein isolate (PPI) combined with quinoa to enhance essential amino acid profiles, complemented by hydrocolloid —xanthan gum (XG), carboxymethyl cellulose (CMC), and agar—for tailored texture modulation. Eight ink formulations were evaluated based on molecular interactions, rheological behavior, 3D printing performance, and compliance with International Dysphagia Diet Standardization Initiative (IDDSI) standards. Synergistic effects of XG and CMC in Ink-C optimized shear-thinning properties and structural stability, enabling high-precision printing of self-supporting constructs. IDDSI testing confirmed that Ink-A and Ink-C met Level 5 “minced and moist” criteria, validated by texture parameters and shape retention during mechanical testing. Electronic nose showed minimal deviations in aromatic characteristics across all formulations, preserving sensory acceptability. In vitro digestion models revealed that hydrocolloid networks temporarily hindered gastric proteolysis but ultimately achieved sufficient intestinal hydrolysis (>76%) to ensure nutrient bioavailability. Ink-C was identified as the optimal formulation, harmonizing printability, swallow-safe textures, and digestibility. This work highlights the potential of hydrocolloid-engineered 3D printing to advance personalized nutrition for dysphagia management, offering scalable solutions to improve dietary diversity and clinical outcomes in aging populations.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle