Control of LH secretory-burst frequency and interpulse-interval regularity in women
Notice bibliographique
Résumé
Hypothalamic neurons generate discrete bursts of gonadotropin-releasing hormone (GnRH) and thereby pulses of luteinizing hormone (LH) at randomly timed intervals centered on a probabilistic mean frequency. We tested the hypothesis that physiological mechanisms govern not only the number but also the stochastic dispersion of the GnRH/LH pulse-renewal process in humans; for example, in young women in the early (EF) and late (LF) follicular and midluteal (ML) phases of the menstrual cycle (n = 18) and in postmenopausal individuals (PM, n = 16). To this end, we quantify stochastic interpulse variability by way of the order-independent, two-parameter Weibull renewal process (Keenan DM and Veldhuis J. Am J Physiol Regul Integr Comp Physiol 281: R1917-R1924, 2001) and the sequence-specific, model-free approximate-entropy statistic (ApEn) (Pincus SM. Proc Natl Acad Sci USA 88: 2297-2301, 1991). Statistical testing unveiled 1) reduced probabilistic mean LH secretory-burst frequency (lower lambda of the Weibull distribution) in ML compared with each of EF, LF, and PM (P < 0.001); 2) quantifiably more regular LH interburst-interval sets (elevated gamma of the Weibull density) in PM than in each of EF, LF, and ML (P < 0.01); 3) uniquely prolonged latency to maximal LH secretion within individual secretory bursts in ML (P < 0.01); and 4) comparably mean random, sequential LH interburst-interval and mass values (normalized ApEn) among the distinct hormonal milieus. From these data, we postulate that sex steroids and age determine daily LH secretory-burst number, quantifiable pulse-renewal variability, and secretory-waveform evolution.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».