The Association Between Lean-to-Fat Mass Ratio and Cardiometabolic Abnormalities: An Analytical Cross-Sectional Study
Notice bibliographique
Résumé
Background: Cardiovascular diseases (CVDs) are a global health threat, significantly impacting Latin America. Cardiometabolic abnormalities (CAs), encompassing lipid profile, fasting plasma glucose, and blood pressure, contribute to CVD prevalence. Despite high CA incidence, research in Latin America has primarily focused on traditional adiposity indices, overlooking the intricate relationship between fat and lean body components. The study aimed to analyze the association between the lean-to-fat mass ratio (LFMR) and CAs in the adult Peruvian population. Methods: This was an analytical cross-sectional study using secondary data from the PERU MIGRANT study (2007, 989 participants). The main outcome variable was CA defined as having ≥ 2 out of six metabolic components (high triglycerides, impaired fasting glucose, high blood pressure, low high-density lipoprotein (HDL)-cholesterol, insulin resistance, and high C-reactive protein). The main exposure variable LFMR was divided into tertiles. A generalized linear model was used with log link and robust variance Poisson family to calculate crude (cPR) and adjusted prevalence ratios (aPRs) and 95% confidence intervals (95% CIs). Results: A total of 959 adults aged 30 years or older were included in the analysis (53% females). The prevalence of CA was 50.9%. Females aged 30 - 44 years old showed statistically significant inverse associations for the middle (aPR: 0.57, 95% CI: 0.42 - 0.78) and highest (aPR: 0.22, 95% CI: 0.14 - 0.35) LFMR categories. Similar trends were seen for females aged 45 - 59 years and ≥ 60 years, and males aged 30 - 44 years, while for males aged 45 - 59 years, only the middle LFMR category was associated. No statistically significant association between LFMR and CA was found among old males. Conclusions: LFMR was negatively associated with CA, among the Peruvian adult population. These findings underscore the relevance of LFMR in understanding cardiometabolic health disparities.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».