Obesity and Cardiovascular Disease: The Emerging Role of Inflammation
Notice bibliographique
Résumé
Obesity is a growing public health challenge across the globe. It is associated with increased morbidity and mortality. Cardiovascular disease (CVD) is the leading cause of mortality for people with obesity. Current strategies to reduce CVD are largely focused on addressing traditional risk factors such as dyslipidemia, type 2 diabetes (T2D) and hypertension. Although this approach is proven to reduce CVD, substantial residual risk remains for people with obesity. This necessitates a better understanding of the etiology of CVD in people with obesity and alternate therapeutic approaches. Reducing inflammation may be one such strategy. A wealth of animal and human data indicates that obesity is associated with adipose tissue and systemic inflammation. Inflammation is a known contributor to CVD in humans and can be successfully targeted to reduce CVD. Here we will review the etiology and pathogenesis of inflammation in obesity associated metabolic disease as well as CVD. We will review to what extent these associations are causal based on human genetic studies and pharmacological studies. The available data suggests that anti-inflammatory treatments can be used to reduce CVD, but off-target effects such as increased infection have precluded its broad therapeutic application to date. The role of anti-inflammatory therapies in improving glycaemia and metabolic parameters is less established. A number of clinical trials are currently ongoing which are evaluating anti-inflammatory agents to lower CVD. These studies will further clarify whether anti-inflammatory agents can safely reduce CVD.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».