MétaCan
Menu
Retour à la cohorte
Enregistrement W3093104206 · doi:10.1186/s12944-020-01401-9

Elevated triglyceride-glucose (TyG) index predicts incidence of Prediabetes: a prospective cohort study in China

2020· article· en· W3093104206 sur OpenAlexaff
Jing Wen, Anping Wang, Guangxu Liu, Meiping Wang, Yingting Zuo, Wei Li, Qi Zhai, Yiming Mu, Herbert Y. Gaisano, Jingtao Dou

Notice bibliographique

RevueLipids in Health and Disease · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes, Cardiovascular Risks, and Lipoproteins
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Science and Technology Major ProjectNational Natural Science Foundation of China
Mots-clésPrediabetesMedicineInternal medicineInsulin resistanceIncidence (geometry)Logistic regressionReceiver operating characteristicTriglycerideDiabetes mellitusObesityEndocrinologyType 2 diabetesCholesterolMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Prediabetes has become a pandemic. This study aimed to identify a better predictor for the incidence of prediabetes, which we hypothesize to be the triglyceride-glucose (TyG) index, a simplified insulin resistance index. We compared its predictive value with the other common risk factors of prediabetes. METHODS: The participants of this analysis were derived from the Risk Evaluation of cAncers in Chinese diabeTic Individuals: a lONgitudinal (REACTION) study. A total of 4543 participants without initial prediabetes or diabetes were followed up for 3.25 years. Using multivariate logistic regression model, the associations between baseline obesity, lipid profiles and non-insulin-based insulin resistance indices with the incidence of prediabetes were analyzed. To assess which is better predictor for the incidence of prediabetes, the area under curves (AUCs) calculated from the receiver operating characteristic curve analyses were used to evaluate and compare with the predictive value of the different indices. RESULTS: During the 3.25 years, 1071 out of the 4543 participants developed prediabetes. Using the logistic regression analysis adjusted for some potential confounders, the risk of incidence of prediabetes increased 1.38 (1.28-1.48) fold for each 1-SD increment of TyG index. The predictive ability (assessed by AUCs) of TyG index for predicting prediabetes was 0.60 (0.58-0.62), which was superior to the indices of obesity, lipid profiles and other non-insulin-based insulin resistance indices. Although the predictive ability of the TyG index was overall similar to fasting plasma glucose (FPG) (P = 0.4340), TyG index trended higher than FPG in females (0.62 (0.59-0.64) vs. 0.59 (0.57-0.61), P = 0.0872) and obese subjects (0.59 (0.57-0.62) vs. 0.57 (0.54-0.59), P = 0.1313). TyG index had superior predictive ability for the prediabetic phenotype with isolated impaired glucose tolerance compared with FPG (P < 0.05) and other indices. Furthermore, TyG index significantly improved the C statistic (0.62 (0.60-0.64)), integrated discrimination improvement (1.89% (1.44-2.33%)) and net reclassification index (28.76% (21.84-35.67%)) of conventional model in predicting prediabetes than other indices. CONCLUSIONS: TyG could be a potential predictor to identify the high risk individuals of prediabetes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,269
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations106
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLipids in Health and DiseaseMême sujetDiabetes, Cardiovascular Risks, and LipoproteinsTravaux en français237 207