MétaCan
Menu
Retour à la cohorte
Enregistrement W4405530444 · doi:10.2196/58038

Skeletal Muscle Mass Loss and Physical Function in Young to Middle-Aged Adult Patients With Diabetes: Cross-Sectional Observational Study

2024· article· en· W4405530444 sur OpenAlexvenueno aff
Atsuhiko Naruse, Yuka Yamada, Takeshi Miyamoto

Notice bibliographique

RevueInteractive Journal of Medical Research · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueNutrition and Health in Aging
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineSkeletal muscleGlycemicBody mass indexDiabetes mellitusCross-sectional studyObservational studyInternal medicineType 2 Diabetes MellitusType 2 diabetesPhysical therapyEndocrinologyPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Recently, it has been reported that older adults with type 2 diabetes mellitus (T2DM) have lower skeletal muscle mass than healthy individuals. Although skeletal muscle mass in older adults with diabetes is occasionally reported, similar reports on young to middle-aged adults are limited. OBJECTIVE: This study aims to assess the prevalence of skeletal muscle loss in young to middle-aged adults with diabetes, examine the relationship between skeletal muscle loss and physical function in these patients, and examine whether there are differences in these characteristics between men and women. METHODS: This cross-sectional, observational study included patients younger than 65 years with T2DM who were admitted to our hospital between 2014 and 2022 for educational admission for glycemic control and requested rehabilitation by the Department of Metabolic Medicine. The control group consisted of patients who received rehabilitation during their hospitalization at our hospital and did not have diabetes. The main parameters included skeletal muscle mass, muscle strength, physical function, and activities of daily living. RESULTS: The prevalence of skeletal muscle mass loss in this study was 18.2% (10/55) in men and 7.7% (4/52) in women. The skeletal muscle mass index (SMI) was 7.7 (SD 0.8) and 8.4 (SD 0.5) for men in the T2DM and control groups, respectively, and 7.0 (SD 0.9) and 6.8 (SD 0.7) for women in the T2DM and control groups, respectively. Therefore, compared with the nondiabetes group, a significant difference was observed in men but not in women (men: P<.001, women: P=.35). Nonetheless, the diabetes group exhibited significantly lower physical functions, such as a walking speed of 1.3 (SD 0.2) m/s and 1.2 (SD 0.43) m/s for men and women in the T2DM group and 1.6 (SD 0.2) m/s and 1.5 (SD 0.1) m/s for men and women in the control group, respectively (men: P<.001, women: P<.001). One-leg standing time was measured as 30.7 (SD 26.9) seconds and 29.4 (SD 25.5) seconds for men and women in the T2DM group, compared with 100.5 (SD 30.6) seconds and 82.5 (SD 39.8) seconds for men and women in the control group, respectively, with the T2DM group's times being significantly lower (men: P<.001, women: P<.001). Univariate logistic regression analysis showed that SMI was significantly associated with age, BMI, and peripheral neuropathy (all P≤.002). Multiple logistic regression analysis showed that BMI exhibited the strongest association (odds ratio 1.15, 95% CI 1.07-1.23; P<.001), and peripheral neuropathy was also significantly associated with SMI (P=.009). CONCLUSIONS: Patients with diabetes, even those who are not older adults, face an elevated rate of skeletal muscle mass loss, muscle weakness, and a decline in physical function; moreover, they are susceptible to dynapenia and presarcopenia. Therefore, early intervention focusing on muscle evaluation and exercise is crucial.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,953

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,133
Tête enseignante GPT0,474
Écart entre enseignants0,341 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInteractive Journal of Medical ResearchMême sujetNutrition and Health in AgingTravaux en français237 207