Detection of Salivary Insulin Following Low versus High Carbohydrate Meals in Humans
Notice bibliographique
Résumé
Developing non-invasive alternatives to monitor insulin levels in humans holds potential practical value for identifying individuals with, or at risk of developing, insulin resistance. The aims of this study were: (1) to determine if saliva insulin can be used to delineate between low and high postprandial insulin levels following the ingestion of mixed breakfast meals; and (2) to determine if expected differences in postprandial hyperinsulinemia between young lean and young overweight/obese participants could be detected in saliva. Sixteen individuals (n = 8 classified as normal weight (NW); BMI 20.0–24.9 kg/m2, and n = 8 classified as overweight/obese (OO); BMI ≥ 28.0 kg/m2) completed two isocaloric mixed-meal tolerance tests following an overnight fast, consisting of a low-carbohydrate (LC) breakfast or a high-carbohydrate (HC) breakfast. Blood and saliva samples were collected at regular intervals for two hours postprandially. In both groups, plasma and saliva insulin total area under the curve (AUC) and incremental AUC (iAUC) were significantly higher after the HC as compared to the LC meal (all p ≤ 0.005). Insulin AUC and iAUC in both plasma and saliva were higher in OO than in NW after the HC meal (all p ≤ 0.02) but only plasma and saliva total AUC were higher in OO after the LC meal (both p ≤ 0.01). Plasma insulin AUC was significantly correlated with salivary insulin AUC in LC (r = 0.821; p < 0.001) and HC (r = 0.882; p < 0.001). These findings indicate that saliva could potentially be used to delineate between low and high insulin levels following mixed breakfast meals.
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) | 0,000 | 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 | 0,001 | 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) | 0,001 | 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 ».