Прогнозирующее моделирование потребления - Википедия - Predictive intake modelling

Прогнозирующее моделирование потребления использует математическое моделирование стратегии для оценки потребления пищи, личная гигиена продукты и их составы.

Определение

Прогнозирующее моделирование потребления направлено на оценку потребления продуктов и / или их компонентов, которые могут попасть в организм различными путями, такими как прием внутрь, вдыхание и поглощение.

Прогнозирующее моделирование потребления может применяться для определения тенденций в потреблении пищевых продуктов и использовании продуктов с целью: экстраполяция.

Приложения

Подход к моделированию прогнозируемого потребления пищи используется для оценки добровольного потребления пищи (VFI) животными, у которых невозможно точно измерить их пищевые привычки.[1][2] Для людей прогнозирующее моделирование потребления используется для оценки потребления из пищевых продуктов,[3] пестициды,[4] косметика[5] и ингалянты[6] а также вещества, которые могут содержаться в них, такие как питательные вещества, функциональные ингредиенты, химические вещества и загрязняющие вещества.

Прогнозирующее моделирование потребления находит применение в здравоохранение, оценка рисков и оценка воздействия, где оценка потребления или воздействия различных веществ может повлиять на процесс принятия решений.

Стратегии прогнозного моделирования потребления

Регрессионный подход

В регрессивный анализ подход основан на оценках путем экстраполяции или интерполяции, когда существует причинно-следственная связь, обнаруженная путем подбора данных. Эти тенденции обычно феноменологический.

Подход к механистическому моделированию

Подход механистического моделирования - это подход, при котором модель выводится из базовой теории. Примеры таких моделей включают компартментные модели, которые можно использовать для описания циркуляции и концентрации переносимых по воздуху частиц в комнате или домашнем хозяйстве для оценки поступления ингалянтов.[7]

Демографический подход

Подход, основанный на популяциях, отслеживает потребление потребителей отдельными членами выборочной совокупности с течением времени. Математические модели используются для объединения этих баз данных о привычках и практиках с отдельными базами данных о продуктах или рецептурах пищевых продуктов для оценки потребления или воздействия на выборочную совокупность. Более того, веса опроса может применяться к каждому субъекту исследования на основе их возраста, демографических характеристик и местонахождения, что позволяет выборке субъектов правильно представлять всю популяцию и, таким образом, оценивать потребление для этой популяции.

Вероятностный подход к моделированию

Вероятностные модели основаны на Монте-Карло метод, в котором случайным образом выбираются распределения данных из различных источников для расчета статистики процентилей. Такие вероятностные методы обычно используют данные обследования продуктов или потребления из выборочной совокупности в сочетании с распределением веществ, которые могут быть обнаружены в этих пищевых продуктах или продуктах. Например, Управление по контролю за продуктами и лекарствами (FDA) предполагают, что оценка потребления веществ с пищей может быть вероятностно проведена с помощью обследований потребления пищевых продуктов (NHANES /CSFII ) из выборок в сочетании с распределениями данных о концентрациях веществ для расчета расчетного суточного потребления.[8] В Европейское агентство по безопасности пищевых продуктов (EFSA) профинансировала инструмент оценки рисков Монте-Карло (MCRA) для оценки обычных распределений подверженности потреблению на основе статистических моделей, которые используют Комплексную базу данных EFSA, которая содержит подробные данные обследования потребления пищевых продуктов.[9] EFSA также профинансировало Creme Global для разработки модели и баз данных о потреблении пищевых продуктов в Европе, на основе которых можно запускать статистические модели для оценки потребления и воздействия на общеевропейской основе.[10][11]

Смотрите также

Рекомендации

  1. ^ Hackmann T. J .; Испания Дж. Н. (2010). «Механистическая модель для прогнозирования потребления кормов жвачных животных». Журнал зоотехники. 88 (3): 1108–24. Дои:10.2527 / jas.2008-1378.
  2. ^ Юсук С .; Ong H. B .; Роан С. У .; Виттемор К. Т. (2011). «Имитационная модель для прогнозирования добровольного потребления корма растущей свиньей». Acta Agriculturae Scandinavica, Раздел A. 61 (4): 168–186. Дои:10.1080/09064702.2011.642000.
  3. ^ Х. Г. Шутц, 1982 "Прогнозирование статуса питания на основе данных о потреблении пищи и отношении потребителей". Американский журнал клинического питания т. 35, нет. 5 Приложение, стр. 1310–8
  4. ^ П. Шейд и П. Георгопулос, "Использование моделей ингаляционной дозиметрии для прогнозирования осаждения сверхмелкозернистых частиц", Научный семинар исследовательского центра Озобе, 26 января 2007 г. [онлайн]. Имеется в наличии: http://ccl.rutgers.edu/ccl-files/presentations/2007-01-26_ORC-Workshop-at-DEP/ShadePamela_ORC-NJDEP_poster_2007.01.26.pdf. [Доступ: 27 ноября 2013 г.]
  5. ^ Grégoire S .; Рибо С .; Benech F .; Meunier J. R .; Гай Р. Х. (2009). «Прогнозирование химического поглощения косметических и дерматологических составов в кожу и через нее». Британский журнал дерматологии. 160 (1): 80–91. Дои:10.1111 / j.1365-2133.2008.08866.x.
  6. ^ Хеммен Дж. Дж. Ван (1993). «Прогнозирующее моделирование воздействия для целей регистрации пестицидов». Анналы гигиены труда. 37 (5): 541–564.
  7. ^ М. Сингал, «Модель рассеивания воздуха в помещении с двумя ящиками RIFM - альтернативный метод расчета воздействия запахов при вдыхании», Исследовательский институт ароматических материалов, 2012 г. [онлайн]. Имеется в наличии: http://www.rifm.org/press-detail.php?id=68. [Доступ: 28 ноября 2013 г.]
  8. ^ FDA, «Руководство для промышленности: оценка потребления пищевых веществ с пищей», 2006 г. [онлайн]. Имеется в наличии: https://www.fda.gov/Food/GuidanceRegulation/GuidanceDocumentsRegulatoryInformation/IngredientsAdditivesGRASPackaging/ucm074725.htm#mode. [Доступ: 24 февраля 2014 г.].
  9. ^ Дж. Д. ван Клаверена, П. В. Гоэдхартб, Д. Вапперома и Х. ван дер Воет, «Европейский инструмент для оценки обычного распределения потребления в связи со сбором данных EFSA», Билтховен, 2012.
  10. ^ Vilone G .; Комиски D; Heraud F; О'Махони C (2014). «Статистический метод оценки обычного рациона питания европейского населения». Пищевая добавка Contam Part A Chem Anal Control Expo Оценка риска. 31 (10): 1639–51. Дои:10.1080/19440049.2014.955886.
  11. ^ К. О'Махони и Г. Вилон, "Скомпилированная база данных о потреблении продуктов питания в Европе", дополнительные публикации 2013: EN-415. [31 стр.]. Доступно в Интернете: www.efsa.europa.eu/publications [дата обращения: 3 марта 2015 г.]