Effect of non‐oil seed pulses on glycemic control: A meta‐analysis of randomized controlled trials in humans.
Notice bibliographique
Résumé
Background Dietary pulses (beans, lentils, chickpeas, etc.) are a good source of viscous fibre and a valuable means for lowering the glycemic‐index (GI) of the diet. Objective To assess the effect of pulses on glycemic control, we conducted a meta‐analysis of experimental trials investigating the effect of pulses alone or in low‐GI or high‐fibre diets on indices of glycemic control. Methods We searched MEDLINE, EMBASE, CINAHL, and Cochrane Library for relevant controlled trials of ≥7d in humans. Two independent reviewers extracted information on study design, participants, treatments, and outcomes. Generic inverse variance models were used for pooled analyses. Heterogeneity was assessed by Chi 2 and quantified by I 2 . Results Forty‐four trials were included. Pulses alone (12 trials) lowered fasting blood glucose (FBG) (standardized mean difference [SMD] ‐0.81 [95% CI ‐1.32,‐0.29]) and insulin (‐0.61[‐1.07,‐0.14]). Pulses in low‐GI‐diets (19 trials) lowered glycosylated proteins (GPs) (‐0.28[‐0.42, ‐0.14]). Pulses in high‐fibre diets (12 trials) lowered FBG (‐0.22[‐0.43,‐0.00]) and GPs (‐0.33[‐0.59,‐0.06]). Inter‐study heterogeneity was significant in all cases. Conclusions These data demonstrate that pulses alone or in low‐GI or high‐fibre diets improve markers of glycemic control in humans. Subgroup analyses are planned to explore sources of heterogeneity.
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 | 0,017 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,038 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».