The Associations between Blood and Urinary Concentrations of Metal Metabolites, Obesity, Hypertension, Type 2 Diabetes, and Dyslipidemia among US Adults: NHANES 1999–2016
Notice bibliographique
Résumé
Background. Heavy metals are well known to be associated with cancer outcomes, but its association with obesity and cardiometabolic risk outcomes requires further study. Methods. Adult data from the National Health and Examination Survey (NHANES Continuous 1999–2016, n = 12,636 to 32,012) with data for blood or urinary metals concentrations and body mass index were used. The study aim was twofold: (1) to determine the association between heavy metals and obesity and (2) to examine the influence of heavy metals on the relationship between obesity and hypertension, type 2 diabetes, and dyslipidemia. Logistic regression was used to examine the main effects and interaction effects of metals and obesity for the odds of prevalent hypertension, type 2 diabetes, and dyslipidemia. Models were adjusted for age, gender, ethnicity, smoking status, physical active status, and poverty-income ratio, with additional adjustment for creatinine in models with the urinary measures of heavy metals. High-low concentration categories were defined by grouping metal quintiles with the most similar associations with obesity. Results. Blood lead had a negative linear association with obesity (odds ratio (OR) = 0.42, 95% confidence interval (CI) = 0.37–0.47). In those with obesity, high blood lead was associated with lower risk of prevalent dyslipidemia, while no association was found in those without obesity. The study observed a curvilinear relationship between urinary antimony and obesity with the moderate group having the highest odds of obesity (OR = 1.36, 1.16–1.59). However, the relationship between urinary antimony and prevalent hypertension and dyslipidemia risk was linear, positive, and independent of obesity. While not associated with prevalent obesity risk, high urinary uranium was associated with 30% ( P = 0.01 ) higher odds for prevalent type 2 diabetes. Conclusions. The impact of environmental factors on obesity and health may be complex, and this study reinforces the heterogeneous relationship between various metals, obesity, and obesity-related metabolic diseases even at levels observed in the general population.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».