Clustering of fasting glycemic biomarkers is related to levels of cardiovascular disease risk in adults
Notice bibliographique
Résumé
Modifiable cardiovascular disease (CVD) risk factors include obesity, dyslipidemia and type 2 diabetes (T2D). Non‐modifiable CVD risk factors can include single‐nucleotide polymorphisms such as those within APOE and hepatic lipase (LIPC) genes. Comparison of risk factors across varying levels of CVD risk can help to elucidate the most relevant biomarkers for risk assessment. This study included data from men and postmenopausal women (n=39) with or without dysglycemia and obesity, and with diet‐controlled T2D, to examine multiple CVD risk factors using glycemic status and APOE and LIPC −514C>T polymorphisms as response variables. Predictor variables included 23 anthropometric, fasting glycemic and lipidemic biomarkers, oral glucose tolerance test area under the curve and dietary data. Relationships between CVD risk factors and levels were investigated via cluster analysis, logistic regression, ANOVA and Pearson's chi‐square test. Results identified 3 clusters among glucose, insulin and incretins that corresponded to distinct CVD risk levels. Age and fasting glucose in all participants and those with APOE E3/E3 genotype were significant and LIPC genotypes were related to CVD risk levels. This study highlights potential CVD risk factors through cluster analysis and supports current CVD risk screening. Grant Funding Source : Ontario Ministry of Agriculture, Food and Rural Affairs
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».