MétaCan
Menu
Retour à la cohorte
Enregistrement W4319781218 · doi:10.1016/j.phrs.2023.106679

Nutraceutical approaches to non-alcoholic fatty liver disease (NAFLD): A position paper from the International Lipid Expert Panel (ILEP)

2023· review· en· W4319781218 sur OpenAlexaff
Manfredi Rizzo, Alessandro Colletti, Peter E. Penson, Niki Katsiki, Dimitri P. Mikhailidis, Peter P. Tóth, Ioanna Gouni‐Berthold, John Mancini, David Marais, Patrick M. Moriarty, Massimiliano Ruscica, Amirhossein Sahebkar, Dragoş Vinereanu, Arrigo F.G. Cicero, Maciej Banach, Julio Acosta, Mutaz Al-Khnifsawi, Fahad Alnouri, Fahma Amar, Atanas G. Atanasov, Gani Bajraktari, Sonu Bhaskar, Agata Bielecka‐Dąbrowa, Bojko Bjelaković, Éric Bruckert, Ibadete Bytyçi, Alberto Cafferata, Richard Češka, Krzysztof Chlebus, Xavier Collet, Magdalena Daccord, Olivier Descamps, Dragan Djurić, Ronen Durst, М. В. Ежов, Zlatko Fras, Dan Gaiță, Adrían V. Hernández, Steven R. Jones, Jacek Jerzy Jozwiak, N. Kakauridze, Amani Kallel, Amit Khera, Karam Kostner, Raimondas Kubilius, Gustavs Latkovskis, G.B. John Mancini, A. David Marais, Seth S. Martin, Julio Acosta Martínez, Mohsen Mazidi, Erkin М Мirrakhimov, André R. Miserez, Olena Mitchenko, N. P. Mitкоvsкаyа, Seyed Mohammad Nabavi, Devaki Nair, Demosthenes B. Panagiotakos, György Paragh, Daniel Pella, Žaneta Petrulionienė, Matteo Pirro, Arman Postadzhiyan, Raman Puri, Ashraf Reda, Željko Reiner, Dina Radenković, Michał Rakowski, Jemaa Riadh, Dimitri Richter, Maria-Corina Șerban, Abdullah Shehab, Aleksandr B. Shek, Cesare R. Sirtori, Claudia Stefanutti, Tomasz Tomasik, Margus Viigimaa, Pedro Valdivielso, Branislav Vohnout, Stephan von Haehling, Michal Vrablı́k, Nathan D. Wong, Hung‐I Yeh, Jiang Zhisheng, Andreas Zirlik

Notice bibliographique

RevuePharmacological Research · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueLiver Disease Diagnosis and Treatment
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésFatty liverMedicineNutraceuticalContext (archaeology)DiseaseCirrhosisPopulationIntensive care medicineInternal medicineEnvironmental healthPathologyBiology

Résumé

récupéré en direct d'OpenAlex

Non-Alcoholic Fatty Liver Disease (NAFLD) is a common condition affecting around 10-25% of the general adult population, 15% of children, and even > 50% of individuals who have type 2 diabetes mellitus. It is a major cause of liver-related morbidity, and cardiovascular (CV) mortality is a common cause of death. In addition to being the initial step of irreversible alterations of the liver parenchyma causing cirrhosis, about 1/6 of those who develop NASH are at risk also developing CV disease (CVD). More recently the acronym MAFLD (Metabolic Associated Fatty Liver Disease) has been preferred by many European and US specialists, providing a clearer message on the metabolic etiology of the disease. The suggestions for the management of NAFLD are like those recommended by guidelines for CVD prevention. In this context, the general approach is to prescribe physical activity and dietary changes the effect weight loss. Lifestyle change in the NAFLD patient has been supplemented in some by the use of nutraceuticals, but the evidence based for these remains uncertain. The aim of this Position Paper was to summarize the clinical evidence relating to the effect of nutraceuticals on NAFLD-related parameters. Our reading of the data is that whilst many nutraceuticals have been studied in relation to NAFLD, none have sufficient evidence to recommend their routine use; robust trials are required to appropriately address efficacy and safety.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,769
Tête enseignante GPT0,533
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations68
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePharmacological ResearchMême sujetLiver Disease Diagnosis and TreatmentTravaux en français237 207