Review on the Role of Polyphenols in Preventing and Treating Type 2 Diabetes: Evidence from In Vitro and In Vivo Studies
Notice bibliographique
Résumé
Type 2 diabetes (T2D) is one of the leading causes of death globally. There was a 70% increase in diabetes-related deaths between 2000 and 2020, particularly among males. This non-communicable disease is characterized by increased insulin resistance, leading to elevated blood sugar levels and, if untreated, resulting in complications such as nerve damage, kidney disease, blindness, and poor wound healing. T2D management includes dietary intervention, physical exercise, and the administration of blood sugar-lowering medication. However, these medications often have side effects related to intestinal discomfort. Therefore, natural alternatives to standard diabetes medications are being sought to improve the quality of life for individuals with this condition. Polyphenols, which are naturally occurring plant metabolites, have emerged as strong candidates for T2D control. Various phenolic acids (e.g., chlorogenic acid), flavonoids (e.g., quercetin), proanthocyanidins (e.g., procyanidin B2), gallotannins (e.g., monogalloyl hexoside), and ellagitannins (e.g., ellagic acid hexoside) can enhance insulin sensitivity in tissues, reduce chronic inflammation, scavenge free radicals, improve insulin secretion, inhibit enzymes involved in carbohydrate digestion, regulate glucose transport across cell membranes, and modulate gut microbiota. This contribution compiles up-to-date evidence from in vitro and in vivo studies on the role of polyphenols in the prevention and management of T2D, emphasizing the mechanisms of action underlying these effects.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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) | 0,000 | 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 ».