Food Addiction in Patients with Newly Diagnosed Type 2 Diabetes in Northeast China
Notice bibliographique
Résumé
Aim: The aim of the study was to explore the prevalence of food addiction (FA) in individuals with newly diagnosed type 2 diabetes mellitus (T2DM) in China and to analyze risk factors of FA. Methods: A total of 624 subjects [312 individuals with newly diagnosed T2DM, 312 age-matched and body mass index (BMI)-matched healthy participants] were recruited. All participants were asked to complete the Yale Food Addiction Scale (YFAS) and received physical and lab examinations. The T2DM group was further divided into a FA group and a non-FA group. Results: Of the patients with newly diagnosed T2DM, 8.6% (27/312) met the FA diagnostic criteria proposed by the YFAS (7.6% in men and 10.1% in women, P=0.43), while 1.3% (4/312) met the criteria in the control group. Logistic regression analysis showed that FA in the T2DM group was positively related to BMI and negatively related to age. T2DM with FA had a significantly higher Uric Acid (UA) and a trend towards a lower Thyroid Stimulating Hormone(TSH) level. Conclusion: Both men and women with newly diagnosed T2DM, especially in northeast China, were more likely to suffer from FA. T2DM patients with FA were younger and had higher UA.
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 | 0,000 |
| 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 ».