Effects of <scp>l</scp>‐carnitine supplement on serum inflammatory cytokines, C‐reactive protein, lipoprotein (a), and oxidative stress in hemodialysis patients with Lp (a) hyperlipoproteinemia
Notice bibliographique
Résumé
Inflammation, oxidative stress, and high concentration of serum lipoprotein (a) [Lp (a)] are common complications in hemodialysis patients. The present study was designed to investigate the effects of L-carnitine supplement on serum inflammatory cytokines, C-reactive protein (CRP), Lp (a), and oxidative stress in hemodialysis patients with Lp (a) hyperlipoproteinemia [hyper Lp (a)]. This was an unblinded, randomized clinical trial. Thirty-six hyper Lp (a) hemodialysis patients (23 men and 13 women) were randomly assigned to either a carnitine or control group. Patients in the carnitine group received 1000 mg/d oral L-carnitine for 12 weeks, whereas patients in the control group did not receive any L-carnitine supplement. At baseline and the end of week 12, 5 mL of blood were collected after a 12- to 14-hours fast and serum free carnitine, CRP, interleukin-1β, interleukin-6 (IL-6), tumor necrosis factor-α, Lp (a), and oxidized low-density lipoprotein were measured. Serum free carnitine concentration increased significantly by 86% in the carnitine group at the end of week 12 compared with baseline (P<0.001), while serum CRP and IL-6 showed a significant decrease of 29% (P<0.05) and 61% (P<0.001), respectively. No significant changes were observed in serum free carnitine, CRP, and IL-6 in the control group. There were no significant differences between the two groups in mean changes of serum interleukin-1β, tumor necrosis factor-α, Lp (a), and oxidized low-density lipoprotein concentrations. L-carnitine supplement reduces inflammation in hemodialysis patients, but has no effect on hyper Lp (a) and oxidative stress.
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 | 0,001 |
| 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 ».