Interaction between type 2 diabetes polygenic risk and physical activity on cardiovascular outcomes
Notice bibliographique
Résumé
AIMS: The beneficial effects of exercise on reducing the risk of cardiovascular disease are established. However, the potential interaction between genetic risk for type 2 diabetes and physical activity on cardiovascular outcomes remains elusive. We aimed to investigate the effect of type 2 diabetes genetic risk-physical activity interaction on cardiovascular outcomes in individuals with diabetes. METHODS AND RESULTS: Using the UK Biobank cohort, we investigated the effect of type 2 diabetes genetic risk-physical activity interaction on three-point and four-point major adverse cardiovascular events (MACE), in 25 701 diabetic participants. We used a polygenic risk score for type 2 diabetes (PRS_T2D) as a measure of genetic risk for type 2 diabetes. We observed a significant interaction between PRS_T2D and physical activity on cardiovascular outcomes (three-point MACE: P trend for interaction = 0.0081; four-point MACE: P trend for interaction = 0.0037). Among participants whose PRS_T2D was in the first or second quartile, but not in the third or fourth quartile, each 10 metabolic equivalents (METs) hours per week of physical activity decreased the risk of three-point or four-point MACE. Furthermore, restricted cubic spline analysis indicated that intense physical activity (>80 METs hours per week, which was self-reported by 12.7% of participants) increased the risk of cardiovascular outcomes among participants whose PRS_T2D was in the fourth quartile. Sub-group analysis suggested that negative impact of intense physical activity was observed only in non-insulin users. CONCLUSION: The beneficial effect of physical activity on cardiovascular outcomes disappeared among those with high genetic risk for type 2 diabetes.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 ».