Effects of Nut Consumption on Blood Lipids and Lipoproteins: A Comprehensive Literature Update
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 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 découle