Differential clusters of modifiable risk factors for impaired fasting glucose <i>versus</i> impaired glucose tolerance in adults 50 years of age and older
Notice bibliographique
Résumé
BACKGROUND: The aim of this study was to identify modifiable risk factors associated with isolated impaired fasting glucose (IFG), isolate impaired glucose tolerance (IGT), or combined IFG-IGT in men and women aged 50 years and older. METHODS: Cross-sectional analyses were performed in 703 men and women aged between 50 and 80 years old from NHANES (2007-2008). Outcome variables: IFG and IGT (ADA 2003), estimated body composition, cardiometabolic profile, and socio-demographic, dietary, and lifestyle factors. RESULTS: First, 235 had normal glucose tolerance (men = 38.3%, women = 61.7%), 243 had IFG (men = 61.7%, women = 38.3%), 67 had IGT (men = 40.3%, women = 59.7%) and 158 had both conditions (men = 57.0%, women = 43.0%). The only common determinant of both IFG and IGT was triglyceride levels. High total fat mass index (FMI) and high total fat-free mass index (FFMI) were independently associated with IFG; while high C-reactive protein (CRP) levels were independently associated with IGT. Finally, combined IFG-IGT was associated with inadequate fiber intake, high FMI, FFMI, and CRP levels. CONCLUSIONS: Middle-age and older individuals presented different modifiable risk factors depending on whether they had IFG or IGT. IFG was associated with deteriorated body composition and lipids, whereas IGT was associated with deteriorated lipids and inflammatory factors. IFG-IGT, on the other hand, was associated with a larger number of risk factors, including worsen body composition, cardiometabolic and dietary factors. To prevent the transition to type 2 diabetes, specific clinical interventions targeting these risk factors should be considered.
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) | 0,001 | 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 | 0,000 | 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 ».