Additional file 2 of Efficacy of cardiometabolic drugs in reduction of epicardial adipose tissue: a systematic review and meta-analysis
Notice bibliographique
Résumé
Additional file 2: Table S1. Quality assessment with Newcastle-Ottawa scale of the included studies. Figure S1. Forest plots of the GLP-1 agonists and SGLT-2 inhibitor's effect on epicardia adipose tissue (EAT) reduction within 3 months of follow-up. Figure S2. Forest plots of the GLP-1 agonists and SGLT-2 inhibitor's effect on EAT reduction within 6 months of follow-up. Figure S3. Forest plots of the GLP-1 agonists and SGLT-2 inhibitor's effect on EAT thickening reduction measured by ultrasound within 3 months of follow-up. Figure S4. Forest plots of the GLP-1 agonists and SGLT-2 inhibitor's effect on epicardia adipose tissue thickening reduction measured by ultrasound within 6 months of follow-up. Figure S5. Funnel plot of effect size versus standard error for the overall effect of cardiometabolic drugs on EAT thickening. Dots represent the single studies while diamonds are the overall standardized mean difference (Std diff in means). White filling refers to real studies while black fill relates to Duval and Tweedie’s trim and fill method. Figure S6. Meta-regression analysis. Impact of HbA1c on the difference in composite cardiometabolic drugs effect and EAT reduction (A), and cardiometabolic drugs effect and EAT thickness reduction measured ultrasound (B). Impact of cholesterol low-density lipoprotein levels (LDL-C) on the difference in composite cardiometabolic drugs effect and EAT reduction (C), and cardiometabolic drugs effect and EAT thickness reduction measured ultrasound (D). Impact of male sex on the difference in composite cardiometabolic drugs effect and EAT reduction (E), and cardiometabolic drugs effect and EAT thickness reduction measured ultrasound (F).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,770 | 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 ».