Effects of Nut Consumption on Blood Lipids and Lipoproteins: A Comprehensive Literature Update
Notice bibliographique
Résumé
In the present review, we provide a comprehensive narrative overview of the current knowledge on the effects of total and specific types of nut consumption (excluding nut oil) on blood lipids and lipoproteins. We identified a total of 19 systematic reviews and meta-analyses of randomized controlled trials (RCTs) that were available in PubMed from the inception date to November 2022. A consistent beneficial effect of most nuts, namely total nuts and tree nuts, including walnuts, almonds, cashews, peanuts, and pistachios, has been reported across meta-analyses in decreasing total cholesterol (mean difference, MD, -0.09 to -0.28 mmol/L), LDL-cholesterol (MD, -0.09 to -0.26 mmol/L), and triglycerides (MD, -0.05 to -0.17 mmol/L). However, no effects on HDL-cholesterol have been uncovered. Preliminary evidence indicates that adding nuts into the regular diet reduces blood levels of apolipoprotein B and improves HDL function. There is also evidence that nuts dose-dependently improve lipids and lipoproteins. Sex, age, or nut processing are not effect modifiers, while a lower BMI and higher baseline lipid concentrations enhance blood lipid/lipoprotein responses. While research is still emerging, the evidence thus far indicates that nut-enriched diets are associated with a reduced number of total LDL particles and small, dense LDL particles. In conclusion, evidence from clinical trials has shown that the consumption of total and specific nuts improves blood lipid profiles by multiple mechanisms. Future directions in this field should include more lipoprotein particle, apolipoprotein B, and HDL function studies.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».