Du cerveau à l’assiette : neurobiologie et troubles des conduites alimentaires
Bibliographic record
Abstract
En Amérique du Nord, les troubles des conduites alimentaires, qui incluent par exemple l’anorexie mentale, la boulimie et l’accès hyperphagique, toucheront environ une à cinq personnes sur cent à un moment de leur vie. Les troubles des conduites alimentaires ont de graves conséquences sur la santé physique et psychologique, en plus d’avoir des taux de rémission sous-optimaux. Aussi, l’étiologie des troubles alimentaires est loin d’être élucidée, ce qui nuit au développement d’interventions efficaces. En étudiant les mécanismes neurobiologiques des troubles des conduites alimentaires, par exemple, grâce à des méthodes de neuro-imagerie et d’épigénétique, il sera possible d’obtenir une idée plus claire de leurs origines développementales. Dans le futur, ces nouvelles connaissances pourraient contribuer au développement de stratégies de prévention plus adaptées, d’outils diagnostiques et d’approche de traitement mieux ciblé. Par exemple, le fait d’établir l’association entre la méthylation de l’ADN (l’une des marques épigénétiques) et les changements cérébraux observés dans les troubles des conduites alimentaires pourrait mener à des avancées cliniques importantes. Ainsi, l’objectif de cette revue narrative, réalisée à partir de la base de données Pubmed entre Mars et Octobre 2020, est de résumer l’état des connaissances sur les avancées neurobiologiques récentes dans les troubles des conduites alimentaires, principalement en termes d’épigénétique et de neuro-imagerie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".