Le bon et le mauvais: nouvelles connaissances sur le cholestérol alimentaire, la maîtrise des lipides et le risque de maladies cardiovasculaires depuis la<i>Harvard Egg Study</i>
Notice bibliographique
Résumé
Bien que leur prévalence ne soit plus aussi élevée que par le passé, les maladies cardiovasculaires demeurent un important problème de santé. Les connaissances continuent de progresser en ce qui concerne le rôle des divers facteurs de risque dans l’étiologie de la coronaropathie. Bien que l’on ait d’abord cru que le cholestérol total et le cholestérol à lipoprotéines de basse densité (C-LDL) jouaient des rôles fondamentaux dans l’apparition des maladies cardiovasculaires, nous savons maintenant que le rôle de ces facteurs n’est pas grandement significatif lorsqu’ils sont présents de façon indépendante. Par exemple, la coronaropathie peut toucher certaines personnes présentant un taux très faible de C-LDL et épargner celles présentant un taux très élevé de C-LDL. De plus, il y a une différence entre le cholestérol alimentaire et le cholestérol sérique. Le cholestérol alimentaire, présent dans les aliments d’origine animale, augmente le taux de cholestérol sanguin chez seulement le tiers des personnes environ. Inversement, la consommation d’acides gras saturés et de gras trans peut entraîner de la dyslipidémie. De plus, l’obésité (en particulier l’obésité abdominale) et le syndrome métabolique sont deux grands facteurs de risque indépendants de maladies cardiovasculaires. Un traitement par une statine et un régime alimentaire combinant différentes sources de phytostérols et de fibres visqueuses peuvent diminuer significativement les taux de C-LDL et de protéine C-réactive. La protéine C-réactive est un marqueur clé de l’inflammation et de risque accru de maladies cardiovasculaires.
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 | 0,024 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».