Dietary Protein Sources, Mediating Biomarkers, and Incidence of Type 2 Diabetes: Findings From the Women’s Health Initiative and the UK Biobank
Notice bibliographique
Résumé
OBJECTIVE: Whether and how dietary protein intake is linked to type 2 diabetes (T2D) remains unclear. The aim of this study was to investigate the associations of protein intake with development of T2D and the potential mediating roles of T2D biomarkers. RESEARCH DESIGN AND METHODS: We included 108,681 postmenopausal women without T2D at baseline from the Women's Health Initiative (WHI) (primary cohort) and 34,616 adults without T2D from the U.K. Biobank (UKB) (replication cohort). Cox proportional hazard models were used for estimation of protein-T2D associations. Mediation analysis was performed to assess the mediating roles of biomarkers in case-control studies nested in the WHI. RESULTS: In the WHI, 15,842 incident T2D cases were identified during a median follow-up of 15.8 years. Intake of animal protein was associated with increased T2D risk (hazard ratio in comparing the highest to the lowest quintile = 1.31 [95% CI 1.24-1.37]) and plant protein with decreased risk (0.82 [0.78-0.86]). Intakes of red meat, processed meat, poultry, and eggs were associated with increased T2D risk and whole grains with decreased risk. Findings from the UKB were similar. These findings were materially attenuated after additional adjustment for BMI. Substituting 5% energy from plant protein for animal protein was associated with 21% decreased T2D risk (0.79 [0.74-0.84]), which was mediated by levels of hs-CRP, interleukin-6, leptin, and SHBG. CONCLUSIONS: Findings from these two large prospective cohorts support the notion that substituting plant protein for animal protein may decrease T2D risk mainly by reducing obesity-related inflammation.
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 | 0,001 | 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 ».