Higher Inflammation Is Associated with Cardiometabolic Phenotype and Biochemical Health in Women with Obesity
Notice bibliographique
Résumé
INTRODUCTION: Metabolic or inflammatory markers may predict adverse outcomes in women with obesity. We sought to describe metabolic-obesity phenotypes of women using novel staging tools and investigate relationships with inflammation. METHODS: In a cross-sectional study, we collected fasting blood samples from sixty-four females with body mass index (BMI) ≥28 kg/m2. Participants were classified as metabolically healthy or metabolically unhealthy obesity (MUO) using the cardiometabolic disease staging system (CMDS) and Edmonton obesity staging system (EOSS). Data were analyzed using independent sample t tests, Pearson's correlations, and multiple logistic regression. RESULTS: Mean (SD) age was 40.2 (9.3) years with median (IQR) BMI 31.8 (30.3-35.7) kg/m2. The prevalence of MUO was 46.9% and 81.3% using CMDS and EOSS criteria, respectively. Women with raised CMDS scores had higher C3 (1.34 [0.20] vs. 1.18 [0.15], p = 0.001) and C-reactive protein (CRP) (2.89 [1.31-7.61] vs. 1.39 [0.74-3.60], p = 0.034). C3 correlated with insulin (r = 0.52), hemoglobin A1c (r = 0.37), and C-peptide (r = 0.58), all p < 0.05. C3 above the median (>1.23 g/L) increased odds of raised CMDS score, when controlled for age, BMI, ethnicity, and smoking (OR = 6.56, 95% CI: 1.63, 26.47, p = 0.008). CONCLUSION: The prevalence of MUO was lower using CMDS than EOSS. C3 and CRP may be useful clinical biomarkers of risk or treatment targets in women with obesity.
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 | 0,000 | 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) | 0,002 | 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 ».