Psoriasis and Metabolic Disorders: A Comprehensive Meta-Analysis of Million Adults Worldwide
Notice bibliographique
Résumé
Psoriasis, a chronic inflammatory skin condition, and metabolic disorders, such as obesity, diabetes, and dyslipidemia, have long been recognized as distinct clinical entities. However, emerging evidence suggests a complex bidirectional relationship between these seemingly unrelated conditions. Psoriasis is characterized by an accelerated skin cell turnover, resulting in the formation of erythematous plaques with silvery scales. Metabolic disorders, on the other hand, encompass a range of conditions associated with abnormal metabolic processes, including insulin resistance, dyslipidemia, and chronic low-grade inflammation. It is intriguing to note that psoriasis is commonly associated with several metabolic comorbidities, with a higher prevalence observed in individuals with obesity, type 2 diabetes, and metabolic syndrome. Mounting evidence suggests that chronic inflammation plays a pivotal role in both psoriasis and metabolic disorders. Shared inflammatory mediators, such as tumor necrosis factor-alpha (TNF-α), interleukin-6 (IL-6), and C-reactive protein (CRP), have been implicated in the pathogenesis of both conditions. Moreover, adipose tissue-derived hormones, known as adipokines, including leptin and adiponectin, exert modulatory effects on immune responses and may contribute to the link between psoriasis and metabolic abnormalities. Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines, a comprehensive search across databases identified 16 eligible studies (1975-2023), totaling 6,623,379 participants. Inclusion criteria encompassed peer-reviewed observational studies focusing on adults and specified outcomes. Data extraction, quality assessment (Newcastle-Ottawa scale (NOS)), meta-analyses, and heterogeneity evaluations were conducted using rigorous methods. Psoriasis displayed a significant association with diabetes mellitus (DM, 18% increased incidence), hypertension (HTN, 35%), hyperlipidemia (19%), and obesity (25%). Substantial heterogeneity was observed in meta-analyses, particularly for DM. The NOS indicated varied study quality, with some studies categorized as a high or moderate risk of bias.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».