A whey protein supplement decreases post-prandial glycemia
Notice bibliographique
Résumé
BACKGROUND: Incidence of diabetes, obesity and insulin resistance are associated with high glycemic load diets. Identifying food components that decrease post-prandial glycemia may be beneficial for developing low glycemic foods and supplements. This study explores the glycemic impact of adding escalating doses of a glycemic index lowering peptide fraction (GILP) from whey to a glucose drink. METHODS: Ten healthy subjects (3M, 7F, 44.4 +/- 9.3 years, BMI 33.6 +/- 4.8 kg/m2) participated in an acute randomised controlled study. Zero, 5, 10 and 20 g of protein from GILP were added to a 50 g glucose drink. The control (0 g of GILP) meal was repeated 2 times. Capillary blood samples were taken fasting (0 min) and at 15, 30, 45, 60, 90 and 120 minutes after the start of the meal and analyzed for blood glucose concentration. RESULTS: Increasing doses of GILP decreased the incremental areas under the curve in a dose dependant manner (Pearson's r = 0.48, p = 0.002). The incremental areas (iAUC) under the glucose curve for the 0, 5, 10, and 20 g of protein from GILP were 231 +/- 23, 212 +/- 23, 196 +/- 23, and 138 +/- 13 mmol.min/L respectively. The iAUC of the 20 g GILP was significantly different from control, 5 g GILP and 10 g GILP (p < 0.001). Average reduction in the glucose iAUC was 4.6 +/- 1.4 mmol.min/L per gram of ingested GILP. CONCLUSION: Addition of GILP to a oral glucose bolus reduces blood glucose iAUC in a dose dependent manner and averages 4.6 +/- 1.4 mmol.min/L per gram of GILP. These data are consistent with previous research on the effect of protein on the glycemic response of a meal.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».