Asprosin Levels in Adults with Type 2 Diabetes Mellitus and Diabetic Kidney Disease: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Purpose: Diabetic kidney disease (DKD) significantly affects health and healthcare costs due to chronic kidney disease complications. Given asprosin's potential as a biomarker for disease progression, we conducted the first systematic review and meta-analysis on its relationship with DKD in adults with type 2 diabetes mellitus (T2DM). Methods: PubMed, Embase, Cochrane, and Web of Science were systematically searched. Standard mean differences (SMD) with 95% confidence intervals (CI) and Fisher's Z transformation were used to examine the relationship between asprosin and DKD. The risk of bias was evaluated using the Newcastle-Ottawa Scale (NOS) and its version for cross-sectional studies. Heterogeneity (I² > 50%) was analyzed with a random-effects model. Results: Six studies (n = 1340) were included. Meta-analysis results indicated that T2DM patients with DKD (micro/macroalbuminuria) had significantly higher circulating asprosin levels than normoalbuminuric T2DM patients (SMD: 1.5, 95% CI: 0.69-2.32, p = 0.0003). Meta-analysis of correlation revealed a positive association of asprosin with urinary albumin excretion ratio (UACR) (Fisher's Z = 0.4; 95% CI: 0.240-0.554, p < 0.001) and body mass index (BMI) (Fisher's Z = 0.17; 95% CI: 0.036-0.301, p = 0.013), and a negative association with estimated glomerular filtration rate (eGFR) (Fisher's Z = -0.35; 95% CI: -0.471 to -0.239, p < 0.001). Conclusion: Asprosin is elevated in T2DM patients with pre-DKD (early stage DKD) and DKD and correlates with key markers of disease severity. Additional research is required to better understand the pathophysiological mechanisms of asprosin and its role in DKD.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,019 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».