The effect of dairy and nondairy beverages consumed with high glycemic cereal on subjective appetite, food intake, and postprandial glycemia in young adults
Notice bibliographique
Résumé
The objective was to compare the effect of dairy and nondairy beverages when consumed with carbohydrate at breakfast on subjective appetite, food intake (FI), and postprandial glycemia (PPG) in healthy young adults. Twenty-six healthy males and females (13 males and 13 females; 23.0 ± 2.6 years; BMI: 22.3 ± 1.5 kg/m 2 ) participated in a randomized crossover study. They consumed nonisocaloric amounts (250 mL) of almond beverage, soy beverage, 1% fat milk, yogurt beverage, and water (control) with cereal and 120 min later, an ad libitum meal. Subjective appetite, PPG, and insulin were measured at baseline and at intervals before and after the meal at which FI was measured. Post-treatment blood glucose was lowest following soy beverage compared with all treatments but was not different from milk (p = 0.0002). There were no differences between any other treatments. However, over the first hour, PPG for all treatments was 27% lower compared with water (p < 0.0001). Milk and yogurt beverage led to the highest insulin concentrations post-treatment (p < 0.0001) but there were no differences between treatments postmeal. All treatments reduced appetite and led to lower FI at the meal compared with water, but FI was lower after milk compared with all treatments except yogurt beverage (p < 0.0001). Both dairy and nondairy beverages consumed with a high glycemic cereal at breakfast increased satiety and decreased FI compared with water with cereal. Despite higher carbohydrate content, all beverages led to similar or lower PPG than the water breakfast, but dairy beverages increased insulin more than nondairy beverages.
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 | 0,001 |
| 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 ».