Dietary factors may be associated with measures of ultrasound-derived skeletal muscle echo intensity
Notice bibliographique
Résumé
Skeletal muscle echo intensity (EI) is affected by ageing and physical activity; however, the effects of nutrition are less understood. The aim of this study was to explore whether habitual nutrient intake may be associated with ultrasound-derived EI. Partial least squares regression (PLSR) models were trained on an initial sample ( n = 100, M = 45; F = 55; 38 ± 15 years) to predict EI of two quadriceps muscles from 19 variables, using the “ jack-knife” function within the “ pls” package (RStudio), which was then tested in an additional dataset ( n = 30, M = 13; F = 17; 38 ± 16 years). EI was determined using B-mode ultrasonography of the rectus femoris (RF) and vastus lateralis (VL) and nutritional intake determined via 3-day weighed food diaries. Mean daily intake of specific nutrients were included as predictor variables with age, sex, and self-reported physical activity. PLSR training model 1 explained ∼52% and model 2 ∼46% of the variance in RF and VL EI, respectively. Model 1 also explained ∼35% and model 2 ∼30% of the variance in RF and VL EI in the additional testing dataset. Age and biological sex were associated with EI in both models ( P < 0.025). Dietary protein (RF: β = −7.617, VL: β = −7.480), and selenium (RF: β = −7.144, VL: β = −4.775) were associated with EI in both muscles ( P < 0.05), whereas fibre intake (RF: β = −5.215) was associated with RF EI only and omega-3 fatty acids (n-3/ω-3 FAs, RF: β = 3.145) with VL EI only ( P < 0.05). Therefore, absolute protein, selenium, fibre, and n-3 FAs may be associated with skeletal muscle EI, although further mechanistic work is required before claiming causal inference.
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 | 0,000 |
| 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 ».