Lipoprotein(a)
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Lipoprotein(a) [Lp(a)] is a risk factor for cardiovascular disease; we highlight the most recent research initiatives that have sought to define Lp(a)-dependent pathogenicity as well as pharmacologic approaches to lowering Lp(a). RECENT FINDINGS: Recent large-scale meta-analyses have confirmed elevated Lp(a) concentrations to be a moderate but consistent prospective coronary heart disease (CHD) risk factor. The Mendelian randomization approach has also associated LPA variants with Lp(a) concentration and CHD risk. Discoveries linking Lp(a) to oxidized phospholipid burden have implicated a proinflammatory role for Lp(a) hinting at a new mechanism underlying the association with CHD risk, which adds to previous atherogenic and thrombogenic mechanisms. Most existing Lp(a)-lowering drug treatments almost always show simultaneous effects on other lipoproteins, making it difficult to assign any clinical outcome specifically to the effects of Lp(a) lowering. Early experiments with antisense oligonucleotides targeting apolipoprotein(a) mRNA seem to indicate the pleiotropic effects of Lp(a) reduction on LDL and HDL in mice. The mechanism linking Lp(a) concentration with concentrations of other blood lipids remains unknown but may provide an insight into Lp(a) metabolism. SUMMARY: Despite the wealth of epidemiologic evidence supporting Lp(a) concentration as a CHD risk factor, the lack of a definitive functional mechanism involving an Lp(a)-dependent pathway in CHD pathogenesis has limited the potential clinical connotation of Lp(a). However, the application of novel technologies to the long-standing mysteries of Lp(a) biology seems to provide the opportunity for expanding our understanding of Lp(a) and its complex role in cardiovascular 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 tête enseignante, 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 ».