Bibliographic record
Abstract
La evaluación nutricional basada en exámenes clínicos y mediciones objetivas es de gran importancia en la prevención de enfermedades, en la atención médica, como complemento de la historia clínica, y en el diseño de planes de nutrición de precisión. Las mediciones actuales utilizadas en las herramientas de tamizaje nutricional se basan en determinaciones antropométricas, marcadores bioquímicos, historia clínica, examen físico, datos dietéticos y características psicosociales. No existe un método para evaluar conjuntamente el estado nutricional, sino que las herramientas disponibles se centran en poblaciones o morbilidades específicas. La alimentación es crucial para la salud, pero la urbanización y la industrialización han provocado una dieta poco saludable y la obesidad. La genética y el microbiota intestinal también influyen en la obesidad. Se necesitan intervenciones educativas para promover la alimentación saludable y prevenir enfermedades crónicas. La malnutrición abarca la desnutrición y el sobrepeso, este último asociado con enfermedades cardiovasculares y diabetes. El diagnóstico de obesidad se basa en el índice de masa corporal (IMC) y otras medidas antropométricas. El sistema de estratificación de la obesidad de Edmonton (EOSS) clasifica la obesidad según el riesgo de enfermedades metabólicas.
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 | 0.009 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".