Examining the benefits of cold exposure as a therapeutic strategy for obesity and type 2 diabetes
Notice bibliographique
Résumé
The pathogenesis of metabolic diseases such as obesity and type 2 diabetes are characterized by a progressive dysregulation in energy partitioning, often leading to end-organ complications. One emerging approach proposed to target this metabolic dysregulation is the application of mild cold exposure. In healthy individuals, cold exposure can increase energy expenditure and whole body glucose and fatty acid utilization. Repeated exposures can lower fasting glucose and insulin levels and improve dietary fatty acid handling, even in healthy individuals. Despite its apparent therapeutic potential, little is known regarding the effects of cold exposure in populations for which this stimulation could benefit the most. The few studies available have shown that both acute and repeated exposures to the cold can improve insulin sensitivity and reduce fasting glycemia in individuals with type 2 diabetes. However, critical gaps remain in understanding the prolonged effects of repeated cold exposures on glucose regulation and whole body insulin sensitivity in individuals with metabolic syndrome. Much of the metabolic benefits appear to be attributable to the recruitment of shivering skeletal muscles. However, further work is required to determine whether the broader recruitment of skeletal muscles observed during cold exposure can confer metabolic benefits that surpass what has been historically observed from endurance exercise. In addition, although cold exposure offers unique cardiovascular responses for a physiological stimulus that increases energy expenditure, further work is required to determine how acute and repeated cold exposure can impact cardiovascular responses and myocardial function across a broader scope of individuals.
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 ».