Circulating Leptin and Adiponectin Concentrations During Tumor Necrosis Factor Blockade in Patients with Active Rheumatoid Arthritis
Notice bibliographique
Résumé
OBJECTIVE: Adipocytokines, including leptin and adiponectin, may play an important role in the pathogenesis of rheumatoid arthritis (RA). We investigated the effects of longterm therapeutic tumor necrosis factor (TNF) blockade on adipocytokine concentrations in patients with RA. METHODS: We studied 58 RA patients starting anti-TNF therapy and 58 healthy controls matched for age, sex, and body mass index (BMI). Fasting blood samples were drawn at baseline, 2 weeks, and 6 months after the start of anti-TNF therapy and serum levels of leptin and adiponectin were measured. RESULTS: Patients with RA had increased adiponectin (p<0.001) and similar leptin concentrations compared with the controls. Leptin concentrations were significantly higher in patients with high BMI (p<0.001) and correlated positively with BMI at all timepoints (r>0.75). In contrast, serum adiponectin tended to be higher in lean RA patients and did not correlate with BMI at any timepoint. There were no clear correlations between serum concentrations of adipocytokines and disease activity (Disease Activity Score 28). Short or longterm TNF blockade alone had no influence on circulating leptin and adiponectin concentrations. Patients treated with anti-TNF and concomitant corticosteroids on a stable basis showed a significant decrease in adiponectin levels after 6 months of therapy (p<0.025). CONCLUSION: In patients with RA, chronic inflammation and its suppression during anti-TNF therapy have limited influence on plasma leptin concentrations, while significantly decreasing circulating adiponectin levels. Our findings question the suggested key role of inflammatory markers in regulating adipocytokine patterns in RA.
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 | 0,000 | 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 ».