Prevalence of metabolic syndrome and diabetes mellitus type-2 and their association with intake of dairy and legume in Andean communities of Ecuador
Notice bibliographique
Résumé
Metabolic syndrome (MetS) and type 2 diabetes (T2D) are metabolic alterations associated with high morbidity and mortality, particularly in low and middle-income countries. Diet has a significant impact on the risk to develop MetS and T2D; in this regard, consumption of fruits, vegetables, and protein rich foods (from plant and animals) are important to prevent and manage these pathologies. There are limited studies regarding the potential association between Andean foods rich in proteins and the presence of cardio-metabolic conditions in Ecuador. It is necessary to develop new low-cost, local-culturally acceptable strategies to reduce the burden of cardio-metabolic diseases. We describe the prevalence (baseline data) of MetS and T2D in the Ecuadorian cohort of the Prospective Urban and Rural Epidemiology (PURE) study and their potential association with the consumption of protein rich foods, including beef, white meat, dairy and legumes. In this cross-sectional study, we assessed 1,997 individuals aged 35-70 years (mean age 51 years, 72% women), included in the Ecuadorian cohort of the PURE study, from February to December 2018. The prevalence of MetS was 42% for male and 44% for female participants; the prevalence of T2D was 9% for male and 10% for female. Metabolic syndrome and T2D were more common in women older than 50 years of age with primary education or less, low economic income, and with obesity; MetS was more frequent in the rural area while T2D was more frequent in the urban area. Using logistic regression analysis, we observed a significant protective effect of higher consumption of dairy and legumes in the prevalence of MetS and T2D compared with low consumption. It will be important to develop policies for ample production and consumption of protein rich foods such as legumes and dairy, part of traditional diets, to reduce the burden of cardio-metabolic diseases.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».