期刊基本信息

《》是由出版商出版的开放获取、在线发布的年刊。2014年创刊，ISSN为2296-861X。主要发表营养学领域的实验、理论和临床研究，特色栏目欢迎以下文章类型:简要研究报告、病例报告、分类、临床试验、社区案例研究、数据报告、社论、迷你综述、原创性研究、政策与实践综述、研究方案、综述等。

2021年影响因子6.59

总编

JohannesleCoutre,PhD

Email：@

机构：新南威尔士大学教授，伦敦帝国理工学院客座教授，Kensington,Australia

领域：感知生理学，膜生物物理学，味觉和化学感官，脑科学，营养生理学

临床营养学栏目主编

PaulaRavasco,MD,RD,MSc,PhD

ORCID:/-8269

机构：葡萄牙天主教大学医学院教授，Lisbon,Portugal

领域：免疫血液学，临床营养学，肿瘤学与代谢学，临床医学

营养免疫学栏目主编

JosepBassaganya-Riera,PresidentCEO

Email:jbassaganya@

机构：兰多斯生物制药有限公司CEO，Blacksburg,USA

领域：结合计算建模和转化研究，了解饮食和营养因素如何影响免疫反应

期刊IF信息

在投稿国家和机构TOP5中，投稿数量最高的国家是中国（45%），第二高是美国（27%）；数量最高的机构是欧洲研究型大学联盟（48%），第二高的是浙江大学（16%）。

收稿范围

重点介绍临床营养学、营养与可持续饮食、营养与食品科学技术、营养方法论、运动与运动营养学、食品化学和营养免疫学等。欢迎涉及不同领域与营养领域交叉的有关稿件，重点是人类健康。杂志于2019年收录SCI后发文量、影响因子均快速上涨。

2014-2023每年发表期刊数与被引频数

创刊以来发表的所有文章中，“论文”占比最高（90.9%），社论材料占比3.9%（240篇），综述论文约占19.1%（1184篇）。此外，有2篇撤回内容。

发表过的生信文章

01

MachinelearningalgorithmsassistearlyevaluationofenteralnutritioninICUpatients

机器学习算法有助于ICU患者肠内营养的早期评估

发表日期：14April2023

背景:本研究用机器学习算法构建了一个预测重症监护病房(ICU)患者EN发生的模型，并在早期阶段确定需要EN的人群。方法:从重症监护医学信息市场IV数据库中收集患者信息，随机分为训练组和验证组。建立6种模型评价EN的起效，根据曲线下面积(AUC)和准确度确定最佳模型。采用局部可解释模型不可知论解释(LIME)算法和SHapley加性解释(SHAP)值解释最佳模型。结果:共53150名患者参与研究。在验证集中，XGBoost的预测效果最佳，AUC为0.895。SHAP值显示，脓毒症、顺序器官衰竭评估评分和急性肾损伤是影响EN发生的三个最重要因素。结论:建立并验证了XGBoost模型对ICU患者EN发生的早期预测。

02

DietaryCustomsandSocialDeprivationinanAgingPopulationFromSouthernItaly:AMachineLearningApproach

意大利南部人口老龄化中的饮食习俗和社会剥夺:一种机器学习方法

发表日期：07March2022

背景:饮食和社会决定因素影响人类健康状况。本研究调查意大利南部非机构老年人的社会剥夺与饮食习惯间的关系，确定了与社会剥夺相关的食物和饮食习惯。方法:从Apulia研究中招募1002名受试者，平均年龄74岁。饮食习惯和剥夺程度分别用FFQ和DiPCare-Q评估。结果:被剥夺受试者包括略多的女性，她们年龄稍大，受教育程度较低。他们食用较少的鱼，水果蔬菜，坚果和较少的“即食”菜肴。随机森林(RF)模型确定与社会剥夺相关的饮食模式，包括增加低脂乳制品和白肉消费，减少葡萄酒、叶类蔬菜、海鲜/贝类、加工肉类、红肉、乳制品和鸡蛋消费。结论:表明，社会因素也决定了饮食和习惯。被剥夺程度较高的受试者会消费更便宜、更易获得的食物。

03

Evaluationofnutritionalstatusandclinicaldepressionclassificationusinganexplainablemachinelearningmethod

使用可解释的机器学习方法评估营养状况和临床抑郁症分类

发表日期：09May2023

通过监督机器学习评估营养风险因素与抑郁症发生之间的相互作用有待探索。方法:基于机器学习，利用公开数据识别抑郁症。采用统一流形逼近与投影(UMAP)算法和Pearson相关性分析数据集。采用交叉验证的网格搜索优化方法对抑郁症分类模型微调，获得最高准确率。使用准确率、精密度、召回率、F1分数、混淆矩阵、精确召回率和AUC以及校准图等指标比较分类器性能。结果:随机森林模型XGBoost为最佳模型，准确率86.18%，%。讨论:方法优势在于用一个微调模型训练大样本量。实验证明，基于机器学习的超调模型在抑郁症患者分类方面有更高的准确性，可以成为疾病控制的有效解决方案。