Identification et stratification du risque cardiométabolique lié à l'obésité ou au diabète de type 2 chez les femmes en surpoids ou obèse post-ménopausées : exploration d’indicateurs biologiques & morphologiques
Bibliographic record
Abstract
L’obésité augmente le risque de maladies cardiométaboliques, telles que le diabète de type 2, les dyslipidémies et l'hypertension. Les facteurs de risque pour ces pathologies incluent les facteurs de risque traditionnels ainsi que des nouveaux facteurs émergents notamment la résistance à l'insuline, l'accumulation ectopique du gras et l'inflammation causée au moins en partie par l'altération de la sécrétion des adipokines du tissu adipeux. L'ensemble de ces facteurs de risque est regroupé sous le terme de risque cardiométabolique global. L'identification et la stratification du risque cardiométabolique par des outils simples et accessibles sont importantes aussi bien pour la pratique clinique que pour la recherche scientifique. Certains groupes de patients sont plus à risque que d'autres et les paramètres cliniques et biologiques usuels peuvent êtres insuffisants pour affiner la stratification du risque. Chez les femmes postménopausées, la perte de la protection conférée par les œstrogènes et les changements au niveau de la distribution de la masse grasse augmentent de façon significative le risque cardiométabolique. Par ailleurs, les personnes avec diabète de type 2 sont à haut risque cardiovasculaire notamment lorsque les cibles du contrôle glycémique, de tension artérielle et du bilan lipidique ne sont pas atteintes. L'objectif de la présente thèse est d'évaluer la pertinence et l’efficacité d’indicateurs anthropométrique, morphologique, biologique et composite dans l’évaluation et la classification du risque cardiométabolique associé à l’obésité ou au diabète de type 2. En utilisant des données récoltées au sein de femmes post-ménopausées sédentaires et en surpoids ou obèses, nos résultats ont montré que le Body adiposity index était un bon indicateur de la masse grasse totale et sa variation mais cependant, il existait des différences entre cet indice et la masse grasse totale telle que déterminée par la DXA pour les corrélations avec les facteurs de risque cardiométabolique. Par ailleurs le Visceral adiposity index bien que sensible aux variations de la mesure directe du gras viscéral résultant de la perte de poids n'était pas supérieur à l'indice de masse corporelle ou au tour de taille pour son association avec des facteurs de risque cardiométabolique. En ce qui concerne, l'adiponectine à haut poids moléculaire en tant qu'indicateur biologique, nos analyses n'ont pas confirmé sa supériorité par rapport à la concentration de l'adiponectine totale. De plus les concentrations de ces deux indicateurs sont sensibles à une hyperinsulinémie aigue. Il existe des sous-groupes de personnes obèses mais qui démontrent une bonne sensibilité à l'insuline. Dans la discrimination de ce groupe versus les personnes obèses mais insulino-résistantes, nous avons montré que les indices de sensibilité à l'insuline globale sont plus performants que les indices de sensibilité à l'insuline musculaire ou hépatique. Par ailleurs, les femmes qui démontraient une résistance à l'insuline hépatique étaient plus à risque de dysglycémie et de résistance à l'insuline globale que celles qui avaient une résistance à l'insuline musculaire. Chez des personnes avec le diabète de type 2 et démontrant un contrôle non satisfaisant de la glycémie, l'initiation de l'insulinothérapie améliore le contrôle glycémique et permet de réduire l'accumulation du gras épicardique tel que déterminé par la mesure de l’épaisseur par échocardiographie. De plus, la quantité de ce gras ectopique avait tendance à être plus réduite avec l'insuline Detemir qu'avec l'insuline Glargine. En conclusion, la stratification du risque cardiométabolique demeure complexe. Le choix d'un indicateur dans la stratification du risque doit être fait en tenant compte de ces forces et limites. Par ailleurs, pour les indicateurs explorés dans la présente thèse, il n'existe pas encore de valeurs seuil établies. La comparaison de la stratification du risque entre différentes études n'est donc pas toujours possible. D’autres investigations sont nécessaires pour répondre à cet objectif et permettre une utilisation pertinente et standardisée de ces indicateurs.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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 source (direct Gemma or distilled Codex), 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".