Gender-Specific Moderating Role of Physical Fitness and Cardiovascular Risk Factors in the Relationship Between BMI and C-Reactive Protein: Cross-Sectional Study
Notice bibliographique
Résumé
Background: Physical fitness and cardiovascular risk factors may affect C-reactive protein (CRP) levels by influencing BMI. However, the extent to which these factors influence CRP through BMI remains unclear. Objective: This study aims to explore how indicators related to physical fitness and cardiovascular risk factors affect the relationship between BMI and CRP levels. Methods: This study selected 453 participants from 518 individuals at a sports hospital in Jiangsu Province, including 231 (51%) males and 222 (49%) females. Using interaction effect analyses, CRP served as the dependent variable and BMI as the independent variable. Physical fitness and cardiovascular risk factors (body morphology, blood pressure, blood lipids, and blood glucose) were categorized into quartiles from the lowest (Q1) to the highest (Q4) and treated as effect modifiers for interaction effect analyses. Sex-specific analyses were conducted to explore the influence of BMI on CRP across different genders, based on physical fitness and cardiovascular risk factor-related indicators. Results: BMI was positively associated with CRP (β=0.203, 95% CI 0.163-0.243; P<.001). After adjusting for confounding factors, this association remained significant (β=0.206, 95% CI 0.164-0.248; P<.001). In the stratified gender analysis, interaction effect analyses showed that in females, waist circumference (median 110.5, IQR 93-128; β=0.342, 95% CI 0.232-0.452; P<.001), hip circumference (median 120, IQR 104-136; β=0.361, 95% CI 0.260-0.462; P<.001), waist-hip ratio (median 1.08, IQR 0.9-1.25; β=0.291, 95% CI 0.204-0.378; P<.001), diastolic blood pressure (median 101, IQR 85-117; β=0.344, 95% CI 0.252-0.436; P<.001), triglycerides (median 1.41, IQR 1.13-1.68; β=0.313, 95% CI 0.216-0.409; P<.001), triglyceride-rich lipoprotein cholesterol (median 0.64, IQR 0.51-0.76; β=0.365, 95% CI 0.249-0.481; P<.001), 20-49 years one-leg standing time with closed eyes (median 3, IQR 1-5; β=0.371, 95% CI 0.276-0.466; P<.001), and 20-49 years grip strength (median 6.5, IQR 6-7; β=0.369, 95% CI 0.270-0.467; P<.001) significantly influenced the effect of BMI on CRP. In males, etotal cholesterol, glucose, one-leg standing time with closed eyes, sit-and-reach, and grip strength demonstrated trends in the effect of BMI on CRP (P>.05). Conclusions: This study demonstrates a positive correlation between BMI and CRP with gender-specific characteristics. In females, multiple body morphology, physiological, and physical fitness indicators significantly influence the effect of BMI on CRP, while some indicators in males also exhibit trends. These findings suggest the necessity of developing health management strategies tailored to different genders, particularly for female populations. Such strategies should consider body morphology indicators such as waist circumference and hip circumference, physiological indicators including blood pressure and blood lipids, and physical fitness metrics such as one-leg standing time with closed eyes. This comprehensive approach can better regulate the impact of BMI on CRP and promote overall health.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».