Adipose Tissue Insulin Resistance Is Longitudinally Associated With Adipose Tissue Dysfunction, Circulating Lipids, and Dysglycemia: The PROMISE Cohort
Notice bibliographique
Résumé
OBJECTIVE: To determine the association of adipose tissue insulin resistance with longitudinal changes in biomarkers of adipose tissue function, circulating lipids, and dysglycemia. RESEARCH DESIGN AND METHODS: = 468). Adipose tissue insulin resistance was determined using a novel validated index, Adipo-IR, calculated as the product of fasting insulin and nonesterified fatty acids measured at baseline. Fasting serum was used to measure biomarkers of adipose tissue function (adiponectin and soluble CD163 [sCD163]), circulating lipids (total cholesterol, HDL, LDL, triglyceride [TG]), and systemic inflammation (interleukin-6 [IL-6] and tumor necrosis factor-α [TNF-α]). Incident dysglycemia was defined as the onset of impaired fasting glucose, impaired glucose tolerance, or type 2 diabetes at follow-up. Generalized estimating equation (GEE) models were used to assess the relationship of Adipo-IR with longitudinal outcomes. RESULTS: GEE analyses showed that elevated Adipo-IR was longitudinally associated with adipose tissue dysfunction (adiponectin -4.20% [95% CI -6.40 to -1.95]; sCD163 4.36% [1.73-7.06], HDL -3.87% [-5.15 to -2.57], TG 9.26% [5.01-13.69]). Adipo-IR was associated with increased risk of incident dysglycemia (odds ratio 1.59 [95% CI 1.09-2.31] per SD increase). Associations remained significant after adjustment for waist circumference and surrogate indices for insulin resistance. There were no significant longitudinal associations of Adipo-IR with IL-6, TNF-α, total cholesterol, or LDL. CONCLUSIONS: Our findings demonstrate that adipose tissue insulin resistance is prospectively associated with adipose tissue function, HDL, TG, and incident dysglycemia.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».