Saliva insulin concentration following ingestion of a standardized mixed meal tolerance test: influence of obesity status
Notice bibliographique
Résumé
Early detection of hyperinsulinemia may help identify and prevent metabolic diseases, but accurate insulin measurement is challenging, costly, and requires blood samples. This study aimed to characterize saliva insulin responses to a standardized meal tolerance test in people with different body mass index (BMI) classes to help develop potential saliva insulin thresholds based on varying levels of insulin resistance. A total of 94 healthy normoglycemic adults (aged 18–69 years, fasting blood glucose 5.2 ± 0.5 mmol/L) were recruited, categorized into groups with normal weight (NW, n = 41), overweight (OW, n = 23), and obesity (OB, n = 30). Participants fasted for ≥4 h and then consumed a standardized liquid meal (350 kcal; 45 g carbohydrate, 20 g protein, 11 g fat). Saliva samples and finger prick blood glucose were collected at fasting, 60 min, and 90 min post-meal. Saliva insulin levels at all time points were significantly higher in the group with OB compared to OW (all P ≤ 0.02) and NW (all P ≤ 0.001). The OW group also had higher insulin levels compared to NW (all P ≤ 0.02). No significant differences in fasting and post-meal glucose levels were found among groups (all P ≥ 0.12). Strong positive correlations were observed between obesity markers (waist circumference, BMI) and saliva insulin levels. Preliminary cut-off values for fasting (∼16 pmol/L), 60 min (∼97 pmol/L), and 90 min (∼115 pmol/L) saliva insulin may delineate between normal and hyperinsulinemic responses. Saliva insulin can effectively differentiate hyperinsulinemic responses among normoglycemic individuals with varying body weights and waist circumference, suggesting its potential as a non-invasive screening tool for metabolic disease risk.
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) | 0,000 | 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 ».