Lipidomic Profiling Identifies Serum Lipids Associated with Persistent Multisite Musculoskeletal Pain
Notice bibliographique
Résumé
Lipid mediators have been suggested to have a role in pain sensitivity and response; however, longitudinal data on lipid metabolites and persistent multisite musculoskeletal pain (MSMP) are lacking. This study was to identify lipid metabolic markers for persistent MSMP. Lipidomic profiling of 807 lipid species was performed on serum samples of 536 participants from a cohort study. MSMP was measured by a questionnaire and defined as painful sites ≥4. Persistent MSMP was defined as having MSMP at every visit. Logistic regression was used with adjustment for potential confounders. The Benjamini-Hochberg method was used to control for multiple testing. A total of 530 samples with 807 lipid metabolites passed quality control. Mean age at baseline was 61.54 ± 6.57 years and 50% were females. In total, 112 (21%) of the participants had persistent MSMP. Persistent MSMP was significantly associated with lower levels of monohexosylceramide (HexCer)(d18:1/22:0 and d18:1/24:0), acylcarnitine (AC)(26:0) and lysophosphatidylcholine (LPC)(18:1 [sn1], 18:2 [sn1], 18:2 [sn2], and 15-MHDA[sn1] [104_sn1]) after controlling for multiple testing. After adjustment for age, sex, body mass index, comorbidities, and physical activity, HexCer(d18:1/22:0 and d18:1/24:0) and LPC(15-MHDA [sn1] [104_sn1]) were significantly associated with persistent MSMP [Odds Ratio (OR) ranging from 0.25-0.36]. Two lipid classes-HexCer and LPC-were negatively associated with persistent MSMP after adjustment for covariates (OR = 0.22 and 0.27, respectively). This study identified three novel lipid signatures of persistent MSMP, suggesting that lipid metabolism is involved in the pathogenesis of persistent pain.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 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 ».