New insight into fat, muscle and bone relationship in women: determining the threshold at which body fat assumes negative relationship with bone mineral density.
Notice bibliographique
Résumé
BACKGROUND: The aim was to investigate the relationships among lean mass (LM), fat mass (FM), and bone mineral density (BMD) in women stratified by body mass index (BMI) (BMI - normal-weight, overweight, obese) and to determine threshold at which body fat assumes negative relationship with BMD. METHODS: This was a cross-sectional study in 471 healthy Caucasian women, aged 18-67 years. BMD, LM, and FM were measured using dual-energy X-ray absorptiometry. Analysis of variance with Bonferroni corrections was used to test the BMI group differences. Linear regression was used to examine independent contributions of LM and FM on BMD of various skeletal sites (controlling for age and height). In overweight/obese women PROC LOESS plots were used to determine the inflection points at which either LM or FM relationship with BMD changes direction. Separate analyses in pre- and post-menopausal women were conducted as well. RESULTS: Spine and femoral neck BMD were not different among three BMI groups while total body, femur and radius BMD were statistically different (the highest in the obese group). Linear regression revealed that LM had significant positive association with BMD of various skeletal sites in all groups. FM showed a negative association with BMD of femoral neck and femur in normal-weight and spine in overweight women, but a positive association with radius in obese women. Inflection points showed that body fat between 33% and 38% assumed negative relationship with BMD for most skeletal sites in overweight and obese women. CONCLUSIONS: Although LM has strong positive relationship with BMD, FM above 33% in overweight/obese women is negatively related to BMD of most skeletal sites. Therefore, overweight/obesity after certain amount of FM, may not be a protective factor against osteoporosis in females. For clinical practice in women, it is important to maintain LM and keep FM accrual below ~30% body fat to maintain good skeletal health.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».