Influence of ethnicity on IGF‐I and procollagen III peptide (P‐III‐P) in elite athletes and its effect on the ability to detect GH abuse
Notice bibliographique
Résumé
CONTEXT: A method based on the two GH dependent markers, IGF-I and procollagen III peptide (P-III-P) has been proposed to detect exogenously administered GH. As previous studies involved predominantly white European elite athletes, it is necessary to validate the method in other ethnic groups. OBJECTIVE: To examine serum IGF-I and P-III-P in elite athletes of different ethnicities within 2 h of competing at national or international events. DESIGN: Cross-sectional observational study. SETTING: National and International sporting events. SUBJECTS: 1085 elite athletes of different ethnicities. INTERVENTION: Serum IGF-I and P-III-P were measured and GH-2000 discriminant function score was calculated. Effect of ethnicity was assessed. RESULTS: In men, IGF-I was 21.7 +/- 2.6% lower in Afro-Caribbeans than white Europeans (P < 0.0001) but there were no differences between other ethnic groups. In women, IGF-I was 14.2 +/- 5.1% lower in Afro-Caribbeans (P = 0.005) and 15.6 +/- 7.0% higher in Orientals (P = 0.02) compared with white Europeans. P-III-P was 15.2 +/- 3.5%, 26.6 +/- 6.6% and 19.3 +/- 5.8% lower in Afro-Caribbean (P < 0.0001), Indo-Asian (P < 0.0001) and Oriental men (P = 0.001), respectively, compared with white European men. In women, P-III-P was 15.7 +/- 4.7% lower in Afro-Caribbeans compared to white Europeans (P =0.0009) but there were no differences between other ethnicities. Despite these differences, most observations were below the upper 99% prediction limits derived from white European athletes. All GH-2000 scores lay below the cut-off limit proposed for doping. CONCLUSIONS: The GH-2000 detection method based on IGF-I and P-III-P would be valid in all ethnic groups.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».