Le bon et le mauvais: nouvelles connaissances sur le cholestérol alimentaire, la maîtrise des lipides et le risque de maladies cardiovasculaires depuis la<i>Harvard Egg Study</i>
Bibliographic record
Abstract
Bien que leur prévalence ne soit plus aussi élevée que par le passé, les maladies cardiovasculaires demeurent un important problème de santé. Les connaissances continuent de progresser en ce qui concerne le rôle des divers facteurs de risque dans l’étiologie de la coronaropathie. Bien que l’on ait d’abord cru que le cholestérol total et le cholestérol à lipoprotéines de basse densité (C-LDL) jouaient des rôles fondamentaux dans l’apparition des maladies cardiovasculaires, nous savons maintenant que le rôle de ces facteurs n’est pas grandement significatif lorsqu’ils sont présents de façon indépendante. Par exemple, la coronaropathie peut toucher certaines personnes présentant un taux très faible de C-LDL et épargner celles présentant un taux très élevé de C-LDL. De plus, il y a une différence entre le cholestérol alimentaire et le cholestérol sérique. Le cholestérol alimentaire, présent dans les aliments d’origine animale, augmente le taux de cholestérol sanguin chez seulement le tiers des personnes environ. Inversement, la consommation d’acides gras saturés et de gras trans peut entraîner de la dyslipidémie. De plus, l’obésité (en particulier l’obésité abdominale) et le syndrome métabolique sont deux grands facteurs de risque indépendants de maladies cardiovasculaires. Un traitement par une statine et un régime alimentaire combinant différentes sources de phytostérols et de fibres visqueuses peuvent diminuer significativement les taux de C-LDL et de protéine C-réactive. La protéine C-réactive est un marqueur clé de l’inflammation et de risque accru de maladies cardiovasculaires.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.024 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".