Abstract P213: Regular Exercise Improves the Lipoprotein Subclass Profile: Meta-Analysis of 10 Exercise Training Intervention Groups
Notice bibliographique
Résumé
OBJECTIVE: The goal was to examine lipoprotein subclass responses to regular exercise as measured in 10 exercise interventions derived from six cohorts. We hypothesized that regular exercise has beneficial effects on the overall lipoprotein subclass profile in previously sedentary adults. METHODS: NMR spectroscopy (LipoScience Inc., Raleigh, NC) was used to quantify average particle size, total and subclass concentrations of very low-density lipoprotein, low-density lipoprotein, and high-density lipoprotein particles (VLDL-P, LDL-P, and HDL-P respectively) before and after an exercise intervention in 1,430 adults from six studies, encompassing 10 exercise training groups: APOE (N=106), DREW (N=298), GERS (N=79), HERITAGE (N=715), STRRIDE I (N=130) and II (N=102). Random-effects meta-analysis was performed to quantify the overall mean change across the unadjusted and adjusted mean change estimates from each exercise group of each study. A Bonferroni-adjusted p-value ≤ 0.003 was considered statistically significant. RESULTS: Meta-analysis of unadjusted data found that regular exercise induced significant decreases in the concentration of large VLDL-P (P=1.2x10 -6 ) and mean VLDL-P size (P=9.0x10 -5 ), with significant increases in the concentration of large LDL-P (P=4.9x10 -13 ). The changes in large VLDL-P and large LDL-P concentration and VLDL-P size remained significant after adjustment for age, sex, race, baseline body mass index, and baseline trait value ( Figure 1 ); while the increase in LDL-P size (P=0.003) became significant after adjustment. Nominally significant decreases in the concentration of small LDL-P (P=0.004) and medium HDL-P (P=0.007) and increases in large HDL-P (P=0.008) were observed in the adjusted meta-analysis. CONCLUSIONS: Despite differences in exercise programs and study populations, regular exercise led to significant improvements in the lipoprotein subclass profile across 10 exercise interventions, as highlighted by changes in VLDL and LDL subfractions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,039 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».