Low fat-diet and circulating adipokines concentrations: a systematic review and meta-analysis of randomized controlled trials
Notice bibliographique
Résumé
BACKGROUND: Low-fat diets have gained considerable attention in the management of obesity. The present meta-analysis evaluated randomized controlled trials (RCTs) to determine whether adults adhering to low-fat diets (≤ 30% of total energy intake) experience more significant changes in serum adipokine levels compared to those following high-fat diets. MAIN TEXT: A comprehensive search was conducted in PubMed, Scopus, Web of Science, and CENTRAL for eligible RCTs up to February 4, 2025. Weighted mean differences (WMD) were calculated and pooled using a random-effects model. Forty-eight trials were included in this study. The meta-analysis found no significant effects of low-fat diets on serum leptin (WMD = 0.06 ng/ml; 95% CI: -0.33, 0.45; P = 0.76; I² = 64.57%), resistin (WMD = -0.67 ng/ml; 95% CI: -1.52, 0.17; P = 0.12; I² = 86.53%), or adiponectin (WMD = 0.07 ng/ml; 95% CI: -0.29, 0.43; P = 0.76; I² = 90.29%). Subgroup analysis showed a significant decrease in adiponectin levels among females (n = 4; WMD = -0.47 ng/ml; P = 0.02; I² = 0%). However, low-fat diets with higher protein content increased adiponectin levels (n = 3; WMD = 1.78 ng/ml; P < 0.001; I² = 0%). Sensitivity analysis revealed that excluding the study by Heggen et al. (2012) resulted in a significant reduction in serum resistin levels (WMD = -0.93 ng/ml; P = 0.04; I² = 86.9%). CONCLUSIONS: Low-fat diets may have beneficial effects on resistin levels. Additionally, low-fat diets with higher protein content may increase adiponectin levels. However, due to the uncertainty of the available evidence, firm conclusions cannot be drawn. Further high-quality research is needed to confirm these findings.
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 | 0,011 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,155 | 0,015 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».