The Effect of Berry Consumption on Oxidative Stress Biomarkers: A Systematic Review of Randomized Controlled Trials in Humans
Notice bibliographique
Résumé
Bioactive compounds in berries may scavenge reactive oxygen and nitrogen species by donating electrons to free radicals, thereby protecting DNA, proteins, and lipids from oxidative damage. Evidence shows that berry consumption has beneficial health effects, though it remains unclear whether berries exert a significant impact on oxidative stress in humans. Thus, we performed a systematic review of randomized controlled trials (RCT) to examine the effects of non-acute (more than a single dose and ≥7 days) berry consumption on biomarkers of oxidative stress. Searches were conducted in PubMed, Cochrane Library, and Scopus; results were imported into Covidence for screening and data extraction. The literature search identified 622 studies that were screened, and 131 full-text studies assessed for eligibility. Ultimately, 28 RCTs met the eligibility criteria. Common biomarkers of oxidative stress (antioxidants, DNA damage, isoprostanes, malondialdehyde, and oxidized LDL) were systematically reviewed, and results were reported narratively. Of the approximate 56 oxidative stress biomarkers evaluated in the 28 RCTs, 32% of the biomarkers were reported to have statistically significant beneficial results and 68% of the biomarkers were reported as having no statistically significant differences. More well-designed and longer-term berry RCTs are needed to evaluate biomarkers of oxidative stress.
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 | 0,014 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,011 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».