Lipoprotein(a), Interleukin-6 inhibitors, and atherosclerotic cardiovascular disease: Is there an association?
Notice bibliographique
Résumé
Background and aims: Lipoprotein(a) [Lp(a)] and interleuking-6 (IL-6), an inflammation biomarker, have been established as distinct targets of the residual atherosclerotic cardiovascular disease (ASCVD) risk. We aimed to investigate the association between them, and the potential clinical implications in ASCVD prevention. Methods: A literature search was conducted in PubMed until December 31st, 2022, using relevant keywords. Results: Elevated lipoprotein(a) [Lp(a)] levels constitute the most common inherited lipid disorder associated with ASCVD. Although Lp(a) levels are mostly determined genetically by the LPA gene locus, they may be altered by acute conditions of stress and chronic inflammatory diseases. Considering its resemblance with low-density lipoproteins, Lp(a) is involved in atherosclerosis, but it also exerts oxidative, thrombotic, antifibrinolytic and inflammatory properties. The cardiovascular efficacy of therapies lowering Lp(a) by >90% is currently investigated. On the other hand, interleukin (IL)-1b/IL-6 pathway also plays a pivotal role in atherosclerosis and residual ASCVD risk. IL-6 receptor inhibitors [IL-6(R)i] lower Lp(a) by 16-41%, whereas ongoing trials are investigating their potential anti-atherosclerotic effect. The Lp(a)-lowering effect of IL-6(R)i might be attributed to the inhibition of the IL-6 response elements in the promoter region of the LPA gene. Conclusions: Although the effect of IL-6(R)i on Lp(a) levels is inferior to that of available Lp(a)-lowering therapies, the dual effect of the former on both inflammation and apolipoprotein (a) synthesis may prove of equal or even greater significance when it comes ASCVD outcomes. More trials are required to establish IL-6(R)i in ASCVD prevention and elucidate their interplay with Lp(a) as well as its clinical significance.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».