Meta-Analysis of the Effect of High-Intensity Interval Training in Increasing High-Density Lipoprotein Levels in Type 2 Diabetes Mellitus Patients
Notice bibliographique
Résumé
Background: Diabetes mellitus is one of the second biggest health problems. The International Diabetes Federation said that diabetes currently affects 382 million people worldwide, with type 2 diabetes mellitus (DM) being the largest prevalence of 85-95% of the diabetes population. This study aimed to estimate the effect of highintensity interval training (HIIT) on increasing levels of high-density lipoprotein in patients with type 2 diabetes mellitus based on the results of several previous studies. Subjects and Method: This study was a metaanalysis and systematic study, with the following PICO Population =type 2 diabetes mellitus patients aged 35-65 years. Intervention=HIIT. Comparison = No HIIT. Outcome = increased levels of high-density lipoprotein. The articles used in this study were obtained from several databases, including PubMed, ScienceDirect, and Google Scholar. The keywords for finding articles were: "HIIT" OR "High-Intensity interval Training" OR "Diabetes Mellitus" OR "High-Density Lipopro-tein" AND "Randomized Controlled Trial". The articles included in this study were full-text with a randomized controlled trial. Articles were analyzed by PRISMA flow chart and RevMan 5.3. Results: A total of 9 articles reviewed in this meta-analysis study originated from New York, Canada, France, Thailand, Berlin, Denmark, Australia, and the United Kingdom. Studies showed that high intensity interval training increased the levels of high density lipoproteins (Mean Diffe-rence= 0.01; 95% CI= 0.31 to 0.30; p= 0.970). Conclusion: High intensity interval training increases high-density lipoprotein levels.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».