Tumor Necrosis Factor Inhibition and Adipose Tissue Distribution — Are Reported Changes Relevant to Cardiometabolic Risk?
Notice bibliographique
Résumé
Cardiovascular disease (CVD) is a prominent cause of morbidity and mortality in inflammatory arthritis, including rheumatoid arthritis (RA), psoriatic arthritis (PsA), and ankylosing spondylitis (AS), while traditional CVD risk factors, such as hypertension and dyslipidemia, are more prevalent in these patients1,2. In the general population, obesity is recognized as a risk factor for hypertension, dyslipidemia, insulin resistance, and the metabolic syndrome (MetS), the so-called “cardiometabolic” risk factors; however, obesity has not been shown to improve risk prediction of CVD compared with those variables currently included in risk prediction models3. The distribution of body fat may have greater influence on CVD risk, particularly that located in the visceral compartments (visceral adipose tissue, or VAT). In the general population, VAT has been associated with CVD events4, coronary artery calcification5, and aortic stiffness6. In RA, VAT area higher than the 75th percentile was associated with a significantly higher probability of hypertension, raised fasting glucose, and MetS7. It may also predispose to insulin resistance and expresses a proinflammatory profile of C-reactive protein, tumor necrosis factor-α (TNF-α), and interleukin 6 expression8. Fox and colleagues advise that the contribution of subcutaneous adipose tissue (SAT), which accounts for 80% of the body’s fat, may also play a relevant role in CVD risk. A large cross-sectional study examining the association of VAT and SAT with metabolic risk factors in 3001 Third Generation and Offspring participants of the Framingham Heart Study found that waist … Address correspondence to Dr. Sheane; E-mail: sheaneb{at}yahoo.com
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».