Low-density lipoprotein lowering in type 2 diabetes mellitus: how to know how low to go
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Getting low-density lipoprotein to the right level in patients with type 2 diabetes should be relatively easy, given the potent pharmacological therapy that is available and the fact that low-density lipoprotein C is typically normal in these patients. Getting it right means getting the target for therapy right, however. The article examines the criteria that should be used to make this choice. RECENT FINDINGS: In comparing different parameters, three criteria, in particular, need to be taken into account: the on-treatment predictive value of any parameter; the value relative to the population of one parameter compared with another, namely which is more deviant from the norm; and the concurrent level of high-density lipoprotein. The evidence from the low-density lipoprotein-lowering trials indicates that low-density lipoprotein C is not nearly as good as non-high-density lipoprotein C as a guide for the adequacy of low-density lipoprotein lowering, or, better still, apoB, with the apoB/apoA-I ratio being clearly the best of all. SUMMARY: The evidence from the major clinical trials indicates the best single index of the adequacy of low-density lipoprotein lowering is the apoB/apoA-I ratio. Clinical practice should adapt to clinical evidence and, therefore, guidelines should be based on apolipoproteins rather than the conventional cholesterol indices.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».