Greater ectopic fat deposition and liver fibroinflammation and lower skeletal muscle mass in people with type 2 diabetes
Notice bibliographique
Résumé
Abstract Objective Type 2 diabetes (T2D) is associated with significant end‐organ damage and ectopic fat accumulation. Multiparametric magnetic resonance imaging (MRI) can provide a rapid, noninvasive assessment of multiorgan and body composition. The primary objective of this study was to investigate differences in visceral adiposity, ectopic fat accumulation, body composition, and relevant biomarkers between people with and without T2D. Methods Participant demographics, routine biochemistry, and multiparametric MRI scans of the liver, pancreas, visceral and subcutaneous adipose tissue, and skeletal muscle were analyzed from 266 participants (131 with T2D and 135 without T2D) who were matched for age, gender, and BMI. Wilcoxon and χ 2 tests were performed to calculate differences between groups. Results Participants with T2D had significantly elevated liver fat (7.4% vs. 5.3%, p = 0.011) and fibroinflammation (as assessed by corrected T1 [cT1]; 730 milliseconds vs. 709 milliseconds, p = 0.019), despite there being no differences in liver biochemistry, serum aspartate aminotransferase ( p = 0.35), or alanine transaminase concentration ( p = 0.11). Significantly lower measures of skeletal muscle index (45.2 cm 2 /m 2 vs. 50.6 cm 2 /m 2 , p = 0.003) and high‐density lipoprotein cholesterol (1.1 mmol/L vs. 1.3 mmol/L, p < 0.0001) were observed in participants with T2D. Conclusions Multiparametric MRI revealed significantly elevated liver fat and fibroinflammation in participants with T2D, despite normal liver biochemistry. This study corroborates findings of significantly lower measures of skeletal muscle and high‐density lipoprotein cholesterol in participants with T2D versus those without T2D.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».