Organic Pollutants and Risk of Type 2 Diabetes: A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Objective: To evaluate the associations between organic pollutants (OPs) and risk of type 2 diabetes (T2D). Patients and Methods: We searched Medline, Embase, Scopus, Web of Science, and Cochrane Central from inception through March 18, 2024. We included studies reporting the adjusted or unadjusted association between serum concentration of OPs and risk of T2D. We excluded studies on type 1 diabetes, self-reported exposure, and if fewer than 100 T2D cases. We classified OPs using 2 classification methods and reported pooled risk estimates using a random-effects model (odds ratio [95% CI]) and assessed risk of bias at the levels of OPs and their classes. We conducted sex- and concentration-stratified analyses. Results: From 20,531 articles, we included 44 (0.2%) studies of 83 individual and 38 combination OPs in 54,967 participants. All but 1 study had low risk of bias. Ten of 12 OP classes were associated with risk of T2D, polychlorinated dibenzo-p-furans had the highest association (OR, 2.54; 95% CI, 1.94-3.33). Polychlorinated dibenzo-p-dioxins showed a significant association in men (OR, 3.21; 95% CI, 1.81-5.71). Polychlorinated biphenyls (OR, 1.72; 95% CI, 1.55-1.92) and dichlorodiphenyltrichloroethane (DDT) and DDT-like compounds (OR, 1.14; 95% CI, 1.01-1.29) showed a significant association in women. Moreover, 28 (33.7%) individual and 21 (55.3%) combination OPs had a significant association. Polychlorinated biphenyl 157 (OR, 1.93; 95% CI, 1.27-2.92) and organochlorine pesticides (OR, 4.35; 95% CI, 1.90-9.98) had the highest risk of T2D. Conclusion: Several OPs were associated with higher risk of T2D. Future work should evaluate the concentration threshold at which OPs increase risk to inform both T2D screening and OP advisories and regulation.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| 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) | 0,002 | 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 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 ».