Ethnic Variation in Fat and Lean Body Mass and the Association with Insulin Resistance
Notice bibliographique
Résumé
CONTEXT: Body fat distribution varies among different ethnic groups, yet less is known regarding differences in lean mass and how this may affect insulin resistance. OBJECTIVE: Our objective was to compare total body fat to lean mass ratio (F:LM) in Aboriginal, Chinese, European, and South Asian individuals with differences in insulin resistance. PARTICIPANTS, DESIGN, AND SETTING: Aboriginal (196), Chinese (222), European (202), and South Asian (208) individuals were recruited across a range of body mass index to participate in this cross-sectional community study. MAIN OUTCOME MEASURES: Total body fat, lean mass, and insulin resistance were assessed using homeostasis model assessment (HOMA). RESULTS: After adjustment for confounders and at a given body fat, South Asian men had less lean mass than Aboriginal [3.42 kg less; 95% confidence interval (CI) = 1.55-5.29], Chinese (3.01 kg less; 95% CI = 1.33-4.70), and European (3.57 kg less; 95% CI = 1.82-5.33) men, whereas South Asian women had less lean mass than Aboriginal (1.98 kg less; 95% CI = 0.45-3.50), Chinese (2.24 kg less; 95% CI = 0.81-3.68), and European (2.97 kg less; 95% CI = 1.67-4.27) women. In adjusted models, F:LM was higher in South Asian compared with Chinese and European men and higher in South Asian compared with Aboriginal, Chinese, and European women (P < 0.01 for all). Insulin and HOMA were greatest in South Asians after adjustment; however, these differences were no longer apparent when F:LM was considered. CONCLUSIONS: South Asians have a phenotype of high fat mass and low lean mass, which may account for greater levels of insulin and HOMA compared with other 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 | 0,005 | 0,002 |
| 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 | 0,000 |
| 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 ».