Serum ferritin and incident cardiometabolic diseases in Scottish adults
Notice bibliographique
Résumé
BACKGROUND: Iron stores, estimated as ferritin levels, and type 2 diabetes (T2D) have been associated previously, while findings regarding coronary heart disease (CHD) and cerebrovascular disease (CEVD) are still inconclusive. No study has focused on simultaneous evaluation of associations between iron stores and the above cardiometabolic diseases (CMD) in the same population. We aim to evaluate the association between serum ferritin and risk of T2D, CHD and CEVD in Scottish population over a wide range of ferritin levels. METHODS: Longitudinal study in 6,497 participants of the 1995 and 1998 Scottish health surveys, who were followed-up until 2011. Cox regression models were conducted adjusting for age, sex/menopausal status, fibrinogen, GGT levels, smoking, alcohol consumption, total cholesterol, HDL-cholesterol, blood pressure, and BMI. Ferritin was used as continuous (sex/menopausal status-specific Z score) and categorical variable (sex/menopausal status-specific quartiles, quintiles and sextiles). RESULTS: During follow-up, 4.9% of the participants developed T2D, 5.3% CHD, and 2.3% CEVD. By using ferritin quartiles, serum ferritin was positively associated with T2D, CHD and CEVD but only the association with T2D remained after adjustment for covariates [Quartile 4 v. 1: adjusted HR 95% CI 1.59 (1.10-2.34); P = 0.006]. When ferritin sextiles were used (6 v. 1), the ferritin-CEVD association became slightly stronger and significant [adjusted HR 95% CI 2.08 (1.09-3.94); P = 0.024]. CONCLUSIONS: Iron stores relate differently to each CMD. Serum ferritin levels were positively and independently associated with incident T2D, and with incident CEVD if higher cut-off points for high ferritin levels were considered.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».