Прогнозное моделирование потребления

Прогностическое моделирование потребления использует стратегии математического моделирования для оценки потребления продуктов питания, средств личной гигиены и их составов .

Определение

Прогностическое моделирование потребления направлено на оценку потребления продуктов и/или их компонентов, которые могут попадать в организм различными путями, такими как проглатывание, вдыхание и абсорбция .

Моделирование прогнозируемого потребления может применяться для определения тенденций в потреблении продуктов питания и использовании продуктов с целью их экстраполяции .

Приложения

Подход прогнозного моделирования потребления используется для оценки добровольного потребления пищи (VFI) животными, чьи пищевые привычки невозможно точно измерить. [1] [2] Для людей прогнозное моделирование потребления используется для оценки потребления пищи, [3] пестицидов, [4] косметики [5] и ингаляторов [6], а также веществ, которые могут в них содержаться, таких как питательные вещества, функциональные ингредиенты, химикаты и загрязняющие вещества.

Прогностическое моделирование потребления применяется в здравоохранении , оценке рисков и оценке воздействия , где оценка потребления или воздействия различных веществ может влиять на процесс принятия решений.

Стратегии моделирования прогнозируемого потребления

Регрессионный подход

Подход регрессионного анализа основан на оценках посредством экстраполяции или интерполяции, где есть причинно-следственная связь, найденная путем подгонки данных. Эти тенденции, как правило, феноменологичны .

Механистический подход к моделированию

Механистический подход моделирования — это подход, при котором модель выводится из базовой теории. Примерами таких моделей являются компартментальные модели, которые можно использовать для описания циркуляции и концентрации частиц в воздухе в помещении или доме для оценки поступления ингалянтов. [7]

Подход, основанный на населении

Подход на основе населения отслеживает потребление потребителями отдельных членов выборочной популяции с течением времени. Математические модели используются для объединения этих баз данных привычек и практик с отдельными базами данных по формуле продукта или пищи для оценки потребления или воздействия для выборочной популяции. Более того, веса опроса могут быть применены к каждому субъекту в исследовании на основе их возраста, демографических данных и местоположения, что позволяет выборке субъектов правильно представлять всю популяцию и, таким образом, оценивать потребление для этой популяции.

Вероятностный подход к моделированию

Вероятностные модели основаны на методе Монте-Карло , где распределения данных из различных источников случайным образом выбираются для расчета процентильной статистики. Такие вероятностные методы обычно используют данные опроса о продуктах или потреблении из выборочной популяции в сочетании с распределениями веществ, которые могут быть обнаружены в этих продуктах или продуктах. Например, Управление по контролю за продуктами питания и лекарственными средствами (FDA) предполагает, что оценка потребления веществ в пище может быть вероятностно проведена с помощью опросов о потреблении продуктов ( NHANES /CSFII) из выборочных популяций в сочетании с распределениями данных о концентрации веществ для расчета предполагаемого суточного потребления. [8] Европейское агентство по безопасности пищевых продуктов (EFSA) профинансировало инструмент оценки риска Монте-Карло (MCRA) для оценки распределения обычного потребления на основе статистических моделей, которые используют Комплексную базу данных EFSA, содержащую подробные данные опроса о потреблении пищевых продуктов. [9] EFSA также профинансировало Creme Global для разработки модели и баз данных европейского потребления пищевых продуктов, на основе которых можно запускать статистические модели для оценки потребления и воздействия на общеевропейской основе. [10] [11]

Смотрите также

Ссылки

  1. ^ Hackmann TJ; Spain JN (2010). «Механистическая модель для прогнозирования потребления кормовых рационов жвачными животными». Журнал Animal Science . 88 (3): 1108–24 . doi :10.2527/jas.2008-1378.
  2. ^ Yoosuk S.; Ong HB; Roan SW; Whittemore CT (2011). «Имитационная модель для прогнозирования добровольного потребления корма растущей свиньей». Acta Agriculturae Scandinavica, Раздел A. 61 ( 4): 168– 186. doi :10.1080/09064702.2011.642000.
  3. ^ HG Schutz, 1982 «Прогнозирование статуса питания на основе данных о потреблении продуктов питания и отношении потребителей», Американский журнал клинического питания, т. 35, № 5, приложение, стр. 1310–138
  4. ^ P. Shade и P. Georgopoulos, «Использование моделей дозиметрии ингаляции для прогнозирования осаждения ультрамелких частиц», Научный семинар Исследовательского центра Ozobe, 26 января 2007 г., 2007 г. [Онлайн]. Доступно: http://ccl.rutgers.edu/ccl-files/presentations/2007-01-26_ORC-Workshop-at-DEP/ShadePamela_ORC-NJDEP_poster_2007.01.26.pdf. [Дата обращения: 27 ноября 2013 г.]
  5. ^ Грегуар С.; Рибо К.; Бенек Ф.; Менье Дж. Р.; Гай Р. Х. (2009). «Прогнозирование химической абсорбции в кожу и через нее из косметических и дерматологических составов». Британский журнал дерматологии . 160 (1): 80–91 . doi :10.1111/j.1365-2133.2008.08866.x.
  6. ^ Хеммен Дж. Дж. Ван (1993). «Моделирование прогнозируемого воздействия для целей регистрации пестицидов». Annals of Occupational Hygiene . 37 (5): 541–564 .
  7. ^ М. Сингал, «Модель рассеивания воздуха в помещении RIFM 2-Box — альтернативный метод расчета воздействия ароматизатора при вдыхании», Научно-исследовательский институт ароматических материалов, 2012. [Онлайн]. Доступно: http://www.rifm.org/press-detail.php?id=68. [Дата обращения: 28 ноября 2013 г.]
  8. ^ FDA, «Руководство для промышленности: оценка потребления веществ в пищевых продуктах», 2006. [Онлайн]. Доступно: https://www.fda.gov/Food/GuidanceRegulation/GuidanceDocumentsRegulatoryInformation/IngredientsAdditivesGRASPackaging/ucm074725.htm#mode. [Дата обращения: 24 февраля 2014 г.].
  9. ^ Дж. Д. ван Клаверена, П. В. Гоедхартб, Д. Вапперома и Х. ван дер Воет, «Европейский инструмент для обычной оценки распределения потребления в связи со сбором данных EFSA», Билтховен, 2012.
  10. ^ Vilone G.; Comiskey D; Heraud F; O'Mahony C (2014). «Статистический метод оценки обычного пищевого потребления среди населения Европы». Food Addit Contam Часть A Chem Anal Control Expo Risk Assess . 31 (10): 1639– 51. doi :10.1080/19440049.2014.955886.
  11. ^ C. O'Mahony и G. Vilone, «Compiled European Food Consumption Database», Supporting Publications 2013:EN-415. [31 стр.]. Доступно онлайн: www.efsa.europa.eu/publications [Дата обращения: 03.03.2015]
Взято с "https://en.wikipedia.org/w/index.php?title=Прогностическое_моделирование_потребления&oldid=994298004"