Worldwide Increasing Use of Nonfasting Rather Than Fasting Lipid Profiles
Notice bibliographique
Résumé
BACKGROUND: Historically, lipids and lipoproteins were measured in the fasting state for cardiovascular risk prediction; however, since 2009 use of nonfasting lipid profiles has increased substantially worldwide. For patients, nonfasting lipid profiles are convenient and avoid any risk of hypoglycemia. For laboratories, blood sampling in the morning and extra visits for patients who have not fasted are avoided. For patients, clinicians, hospitals, and society, nonfasting sampling allows same-day visits with first blood sampling followed by a short wait for test results before clinical consultation. Therefore, nonfasting compared to fasting lipid profiles will save money and time and may improve patient compliance with cardiovascular prevention programs. CONTENT: We report on the progression of endorsement and implementation of nonfasting lipid profiles for cardiovascular risk prediction worldwide and summarize the recommendations from major medical societies and health authorities in different countries. We also describe practical advantages and disadvantages for using nonfasting lipid profiles. Further, we include a description of why fasting has been the standard historically, the barriers against implementation of nonfasting lipid profiles, and finally we suggest the optimal content of a nonfasting lipid profile. SUMMARY: Lipid, lipoprotein, and apolipoprotein concentrations vary minimally in response to normal food intake and nonfasting lipid profiles are equal or superior to fasting profiles for cardiovascular risk prediction. Major guidelines and consensus statements in Europe, the United States, Canada, Brazil, Japan, India, and Australia now endorse use of nonfasting lipid profiles in some or all patients; however, there are still gaps in endorsement and implementation of nonfasting lipid profiles worldwide.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».