The Contribution of Visceral Adiposity and Mid‐Thigh Fat‐Rich Muscle to the Metabolic Profile in Postmenopausal Women
Notice bibliographique
Résumé
This study explored the relationship between muscle fat infiltration derived from mid-thigh computed tomography (CT) scan, central fat distribution and insulin sensitivity in postmenopausal women. Mid-thigh CT scans were used to measure low attenuation muscle surface (LAMS) (0-34 Hounsfield units (HU)), which represented a specific component of fat-rich muscle. Whole-body insulin sensitivity (M/I) was evaluated by an euglycemic-hyperinsulinemic clamp. A group of 103 women aged 57.0 ± 4.4 years was studied. Women with higher levels of LAMS presented higher metabolic risk features, particularly elevated fasting, 2-h plasma glucose (2hPG) concentrations and diminished M/I (P < 0.05). To further study the contribution of muscle fat infiltration and central adiposity on metabolic parameters, we divided the whole group based on the median of LAMS and visceral adipose tissue (VAT). As expected, the best metabolic profile was found in the Low-LAMS/Low-VAT group and the worst in the High-LAMS/High-VAT group. Women with Low-LAMS/High-VAT presented similar metabolic risks to those with High-LAMS/High-VAT. There was no difference between High-LAMS/Low-VAT and Low-LAMS/Low-VAT, which presents the most healthy metabolic and glycemic profiles as reflected by the lowest levels of cardiovascular disease risk variables. This suggests that High-LAMS/Low-VAT is also at low risk of metabolic deteriorations and that High-LAMS, only in the presence of High-VAT seems associated with deteriorated risks. Although increased mid-thigh fat-rich muscle was related to a deteriorated metabolic profile, VAT appears as a more important contributor to alterations in the metabolic profile in postmenopausal women.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».