The effects of grape seed extract on glycemic control, serum lipoproteins, inflammation, and body weight: A systematic review and meta‐analysis of randomized controlled trials
Notice bibliographique
Résumé
The aim of this systematic review and meta‐analysis was to analyze the effects of grape seed extract (GSE) on glycemic control and serum lipoproteins, inflammation and body weight. Two independent authors systematically searched online databases including EMBASE, Scopus, PubMed, Cochrane Library, and Web of Science from inception until May 30, 2019. Cochrane Collaboration risk of bias tool was applied to assess the methodological quality of included trials. The heterogeneity among the included studies was assessed using Cochrane's Q test and I‐square (I2) statistic. Data were pooled using a random‐effects model and weighted mean difference (WMD) was considered as the overall effect size. Fifty trials were included in this meta‐analysis. Pooling effect sizes from studies demonstrated a significant decrease in fasting plasma glucose (FPG) (WMD): −2.01; 95% confidence interval (CI): −3.14, −0.86), total cholesterol (TC; WMD: −6.03; 95% CI: −9.71, −2.35), low‐density lipoprotein (LDL) cholesterol (WMD: −4.97; 95% CI: −8.37, −1.57), triglycerides (WMD: −6.55; 95% CI: −9.28, −3.83), and C‐reactive protein (CRP) concentrations (WMD: −0.81; 95% CI: −1.25, −0.38) following GSE therapy. Grape seed did not influence HbA1c, HDL cholesterol levels, and anthropometric measurements. This meta‐analysis demonstrated that GSE intake significantly reduced FPG, TC, LDL cholesterol, triglycerides, and CRP levels.
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 | 0,014 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,023 | 0,034 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».