Association of central obesity with retinal neurodegeneration: Cross‐sectional and longitudinal evidence from two countries
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to evaluate the association of central obesity with retinal neurodegeneration. METHODS: Databases from the UK Biobank study and the Chinese Ocular Imaging Project (COIP) were included for cross-sectional and longitudinal analyses, respectively. Retinal ganglion cell-inner plexiform layer thickness (GCIPLT) measured by optical coherence tomography (OCT) was used as a retinal indicator of neurodegeneration. All subjects were divided into six obesity phenotypes according to BMI (normal, overweight, obesity) and waist to hip ratio (WHR; normal, high). Multivariable linear regression models were fitted to investigate the association of obesity phenotypes with GCIPLT. RESULTS: A total of 22,827 and 2082 individuals from UK Biobank (mean age: 55.06 [SD 8.27] years, women: 53.2%) and COIP (mean age: 63.02 [SD 8.35 years], women: 61.9%) were included, respectively. Cross-sectional analysis showed GCIPLT was significantly thinner in normal BMI/high WHR individuals compared with normal BMI/normal WHR individuals (β = -0.33 μm, 95% CI = -0.61, -0.04, p = 0.045). But thinner GCIPLT was not observed in individuals with obesity/normal WHR. After 2-year follow-up in COIP, normal BMI/high WHR was associated with accelerated GCIPLT thinning (β = -0.28 μm/y, 95% CI = -0.45, -0.10, p = 0.02), whereas obesity/normal WHR was not. CONCLUSIONS: Even with normal weight, central obesity was associated with accelerated GCIPLT thinning cross-sectionally and longitudinally.
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 | 0,000 | 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 ».