Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Kronik Metabolik Özelliklerin İnme Üzerindeki Nedensel Etkilerini ve Depresyonun Araba Rolünü Araştırmak: Mendel Randomizasyonundan Kanıtlar

47 görüntüleme

⸱

DOI:

10.3791/70295

⸱

22 Haziran 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Rehabilitation, Second Affiliated Hospital of Jiaxing University, Second Hospital of Jiaxing, 2Department of Emergency, Second Affiliated Hospital of Jiaxing University, Second Hospital of Jiaxing

* These authors contributed equally

Bu makalede

Özet

Bu protokol, kronik metabolik özelliklerin küçük damar inme üzerindeki nedensel etkilerini araştırmak ve depresyonun aracı rolünü Mendel randomizasyon analiziyle değerlendirmek için bir yaklaşımı tanımlar.

Özet

Vücut kitle indeksi (BMI), obezite ve tip 2 diyabet (T2D) gibi kronik metabolik özellikler beyin damar hastalıkları için bilinen risk faktörleridir. Depresyon, genellikle metabolik bozukluklarla birlikte gelir ve bu ilişkileri aracılık edebilir. Genetik olarak tahmin edilen BMI, obezite ve T2D'nin küçük damar inme (SVS) ve majör depresif bozukluk (MDD) üzerindeki nedensel etkilerini incelemek için iki örneklemli bir Mendel randomizasyon (MR) analizi yapıldı. Depresyon ile SVS arasındaki ilişki daha ayrıntılı olarak değerlendirildi ve depresyonun kronik metabolik özellikler ile SVS riski arasındaki ilişkiyi aracılık edip etmediğini incelemek için iki aşamalı MR aracılık analizi uygulandı. Daha yüksek BMI, obezite ve T2D, SVS riskinin artmasıyla anlamlı ilişkilendirildi (BMI: OR = 1,25, p = 1,27 × 10-3; Obezite: OR = 1.09, p = 0.032; T2D: OR = 1.17, p = 1.14 × 10-7). Her üç özellik de MDD riskini artırdı (BMI: OR = 1.20, p = 3.31 × 10-10; Obezite: OR = 1.06, p = 0.006; T2D: OR = 1.03, p = 0.035). MDD ise SVS riskini artırdı (OR = 1.11, p = 0.035). Arabuluculuk analizleri, depresyonun BMI–SVS ilişkisi üzerinde potansiyel kısmi bir aracı etkisi olduğunu gösterdi (dolaylı etki = 0.019, p = 0.046), obezite veya T2D yoluyla arabuluculuğun ise anlamlı olmadığını gösterdi. Bu sonuçlar, metabolik bozuklukları olan bireylerde komorbid depresyonun ele alınmasının serebrovasküler riskini azaltmak için önemini vurgulamaktadır.

Giriş

İnme, dünya genelinde ölüm ve engelliliğin önde gelen nedenlerinden biridir; yılda tahmini 12 milyon yeni vaka ve 100 milyondan fazla insan uzun vadeli sonuçlarıylayaşamaktadır 1,2. Küresel nüfusun yaşlanması ve yaşam tarzıyla ilgili sorunların artan yaygınlığıyla birlikte, felç yükünün daha da artması ve bunun önemli sağlık ve sosyoekonomik etkilere yol açmasıbeklenmektedir 1,2. Hipertansiyon, diyabet, dislipidemi, sigara içmek ve obezite gibi iyi bilinen risk faktörlerinin yanı sıra, ortaya çıkan kanıtlar özellikle majör depresif bozukluk (MDB) gibi psikiyatrik bozuklukların da felç riskine katkıdabulunabileceğini göstermiştir 3,4,5. Ancak, metabolik hastalıklar, depresyon ve felç arasındaki karmaşık etkileşim hâlâ yeterince anlaşılmamaktadır.

Mendel randomizasyonu (MR), genetik varyantları araçsal değişkenler (IV) olarak kullanarak karıştırıcı ve nedenselliği tersine çevirerek geleneksel gözlemsel çalışmalara kıyasla nedensel çıkarım için daha sağlam bir çerçevesağlar 6. Gözlemsel tasarımların aksine, kalıntı karıştırma, ölçüm hatası ve ters nedenselliğe karşı duyarlı olduğunda, MR genetik varyantların gebeleşme anında rastgele tahsisiyetini kullanarak doğal bir deneyi yaklaşık olarak benimser. Ayrıca, regresyon tabanlı aracılık modelleri gibi diğer nedensel çıkarım yaklaşımlarıyla karşılaştırıldığında, MR özellikle karmaşık ve birbirleriyle ilişkili özellikleri araştırırken ölçülmemiş karıştırmaya karşı daha fazla dayanıklılık sunar. Büyük ölçekli genom çapında ilişki çalışmaları (GWAS), genetik düzeyde karmaşık özellikler ile hastalıklar arasındaki nedensel bağlantıları incelemek için iki örnekli MR'nin uygulanmasını mümkün kılmıştır. Önceki MR çalışmaları, vücut kütle indeksi (BMI), obezite ve tip 2 diyabet (T2D) gibi metabolik hastalıkların inme 7,8,9 üzerindeki nedensel etkilerini göstermiştir. Benzer şekilde, genetik kanıtlar depresyon ile felç arasında çift yönlü bir ilişkiyidesteklemektedir 10. Ancak, depresyonun metabolik hastalıkların inme üzerindeki etkisini aracılık edip etmediği sistematik olarak değerlendirilmemiştir.

Depresyonun aracı rolünü destekleyecek birkaç potansiyel biyolojik mekanizma vardır. Kronik metabolik bozuklukların sistemik iltihaplanma, endotel işlev bozukluğu ve hipotalamus-hipofiz–adrenal ekseninin düzensizliğini teşvik ettiği bilinir ve bu da depresyona karşı savunmasızlığı artırabilir11. Depresyon ise davranışsal risk faktörleriyle (örneğin sigara içme, fiziksel hareketsizlik, kötü beslenme), otonom dengesizlik, trombosit hiperaktivite ve artan kortizol salgılanması ile ilişkilidir; bunların tümü felç riskiniartırabilir 12,13. Gözlemsel çalışmalar bu yolları ele almaya çalıştı, ancak bulgular karıştırıcı, kısa takip ve ölçüm hatası nedeniyle tutarsızkalmaktadır 14. Sonuç olarak, metabolik hastalık–depresyon–inme yolunun nedensel yapısı net değildir. MR nedensel çıkarımı güçlendirebilse de, ayrıntılı biyolojik mekanizmaları tam olarak açıklayamaz veya klinik müdahaleleri doğrudan bilgilendiremez; geçerliliği yatay pleiotropinin olmaması gibi temel varsayımlara bağlıdır.

Bu çalışmada, tek değişkenli, çok değişkenli ve iki aşamalı iki örneklemli MR analizleri kullanılarak iki hipotez incelendi. İlk olarak, metabolik özellikler (BMI, obezite ve T2D) ile küçük damar felci (SVS) riski arasındaki nedensel ilişkiler incelendi. İkinci olarak, bu ilişkilerde depresyonun potansiyel aracı rolü değerlendirildi ve aracılık edilen oran nicelendirildi. Bu analitik çerçeve, ilişkili metabolik ve psikiyatrik özellikler arasındaki arabuluculuk etkilerini çözmek için özellikle uygundur; çünkü toplam etkileri doğrudan ve dolaylı bileşenlere ayırır ve karıştırıcı unsurları en aza indirir. Büyük ölçekli GWAS özet istatistiklerini kullanarak, bu çalışma metabolik bozukluklar, depresyon ve SVS arasındaki etkileşimi netleştirmek için yeni genetik kanıtlar sunmaktadır. Bu bulgular, inme riskinin altında yatan biyolojik yolları belirlemeye yardımcı olabilir ve hem metabolik sağlık hem de ruh sağlığını hedefleyen entegre önleme stratejilerini bilgilendirebilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Tek değişkenli, çok değişkenli ve iki aşamalı iki örneklemli MR aracılık analizleri, genetik olarak öngörülen kronik metabolik hastalıkların SVS riski ile nedensel olarak ilişkili olup olmadığını araştırmak ve MDD aracılık oranını değerlendirmek için yapıldı. Bu çalışmadaki MR analizlerinin akış şeması Şekil 1'de gösterilmiştir. Bu çalışmada kullanılan tüm GWAS veri setlerinin ayrıntılı özellikleri, Ek Tablo 1'de özetlenmiştir. GWAS özet istatistikleri, extract_instruments() ve extract_outcome_data() fonksiyonları aracılığıyla Mendel rastgeleleştirme analiz yazılım platformu (bkz. Materyal Tablosu) kullanılarak halka açık bir veritabanından (IEU OpenGWAS: https://gwas.mrcieu.ac.uk/) alınmıştır. Maruziyetler arasında BMI15 (ebi-a-GCST90013974), obezite16 (ieu-a-90) ve tip 2 diyabet (T2D; ebi-a-GCST006867) yer aldı. Arabulucu majör depresif bozukluk (MDD; ieu-a-1188)18 idi ve sonuç SVS (ebi-a-GCST006909) idi. Tüm GWAS veri setleri, nüfus tabakalaşma yanlılığını en aza indirmek için ağırlıklı olarak Avrupa kökenli bireyleri içeriyordu.

Kronik metabolik özelliklerin GWAS verileri

Kronik metabolik hastalıklar, BMI, obezite ve tip 2 diyabet dahil olmak üzere maruziyet olarak incelendi. BMI15 (ebi-a-GCST90013974) ve obezite16 (ieu-a-90) için GWAS özet istatistikleri, MRC-IEU ve GIANT konsorsiyumundan (Avrupa kökenli, BMI için 407.609 kişiye ve obezite için 32.858 vaka/65.839 kontrol kişi) alındı. Tip 2 diyabet17 verileri (ebi-a-GCST006867) DIAGRAM konsorsiyumundan (Avrupa kökeni, 62.892 vaka/596.424 kontrol) alınmıştır. Bu GWAS veri setleri halka açık olup, ağırlıklı olarak UK Biobank ve diğer büyük ölçekli kohortlara dayanmaktadır.

Depresyon için GWAS verileri

Depresyonun sonucu için, Psikiyatrik Genomik Konsorsiyumu (PGC) (ieu-a-1188)18'in en son GWAS özet istatistikleri kullanıldı; bunlar arasında 59.851 vaka ve 113.154 kontrol Avrupa kökenli kontrol bulunmaktadır. Dahil edilen kohortlarda MDH teşhisi, DSM-III/IV veya ICD-9/10 tanı kriterlerine göre yapılandırılmış klinik görüşmeler veya doğrulanmış kişisel raporlara dayanıyordu. Bipolar bozukluk veya şizofreni geçmişi olan kişiler dışlandı.

SVS için GWAS verileri

İnme için özet istatistikler, ağırlıklı olarak Avrupa kökenli olan 5.386 vaka ve 192.662 kontrolü içeren MRC-IEU konsorsiyumu (ebi-a-GCST006909)19'dan alındı. SVS, doktor tanısı ve/veya klinik kayıtlara dayanarak tanımlandı. Bu veri seti, damar risk faktörlerini araştıran MR çalışmalarında yaygın olarak kullanılmıştır ve halka açık bir şekilde mevcuttur.

İstatistiksel analiz

Tüm analizler, Mendel rastgeleleştirme analiz yazılımı platformu kullanılarak R (sürüm 4.1.2) ile gerçekleştirildi (bkz. Materyal Tablosu). İki örneklemli MR, tek nükleotid polimorfizmaları (SNP) olarak enstrümantal değişkenler (IV) kullanılarak gerçekleştirilmiştir; bu varsayımı üç temel varsayımı karşılamalıdır: alaka (maruziyetle ilişkili), bağımsızlık (karıştırıcı maddelerle ilişkili olmayan) ve dışlama kısıtlaması (sonucu yalnızca maruz kalma yoluyla etkileyen)20,21,22. SNP'ler, genom genelinde anlamlılık (p < 5 × 10-5), bağlantı dengesizliği budama (r2 < 0.001 10.000 kB pencere içinde) ve zayıf enstrüman yanlılığını önlemek için F-istatistiklerine >10 göre seçilmiştir20,22. LD topaklama 1000 Genomes Project23'ün Avrupa referans paneli kullanılarak gerçekleştirildi. Palindromik ve belirsiz SNP'ler hem veri çıkarma hem de uyumlaştırma işlemlerinde hariç tutuldu. extract_outcome_data() fonksiyonu aracılığıyla sonuç verilerinin çıkarılması sırasında, palindromik SNP'ler başlangıçta standart çıkarma fonksiyonları kullanılarak tutuldu ve mümkün olduğunda iplik hizasını çıkarmak için allel frekansı bilgisi kullanıldı. Önceden tanımlanmış eşik altında (örneğin, MAF < 0.3) düşük allel frekansına sahip SNP'ler korundu; çünkü iplik yönelimi güvenilir şekilde çıkarılabiliyordu; ara allel frekanslarına sahip olanlar ise belirsiz kabul edildi. harmonise_data() fonksiyonu boyunca yapılan uyumlaştırma adımında, özellikle ara allel frekanslarına sahip belirsiz iplik yönümlülüğüne sahip palindromik SNP'ler—maruziyet, aracı ve sonuç veri setleri arasında etki allellerinin tutarlı hizalanmasını sağlamak için hariç tutuldu. SNP uyumlaştırması, veri setleri arasında etki allellerini hizalamak için harmonise_data() fonksiyonu aracılığıyla gerçekleştirildi. Bu süreçte, allel iplikleri tutarlılık sağlamak için hizalanmış, uyumsuz allellere veya iplik belirsizliğine sahip SNP'ler hariç tutulmuştur. Filtreleme sonrası, yaklaşık 600–800 BMI SNP, obezite için 70–90 SNP ve T2D için 326 SNP takip analizleri için tutuldu (bkz. Tablo 1 ve Tablo 2).

Tek değişkenli MR için kullanılan ana yöntem ters varyans ağırlıklı (IVW) olup, yatay pleiotropi olmaması varsayımıyla SNP'ye özgü oran tahminlerini ters varyans ağırlıklandırması ile birleştirerek nedensel etkinintahminini tahmin eder. Pleiotropi, mr_pleiotropy() fonksiyonu aracılığıyla uygulanan MR-Egger kesici testi kullanılarak değerlendirildi; P < 0.05 potansiyel yatay pleiotropiyi gösteriyordu. Heterojenlik, mr_heterogeneity() fonksiyonu aracılığıyla uygulanan Cochran'ın Q testi kullanılarak değerlendirildi. Heterojenlik tespit edildiyse (P < 0.05), rastgele etkili IVW modeli uygulandı; aksi takdirde, sabit etkili IVW modeli kullanıldı. Çok değişkenli MR analizleri için, SNP'ler maruz kalma ve aracılar arasında birleştirildi. Etki allelleri, maruziyet, aracı ve sonuç veri setleri arasında harmonise_data() fonksiyonu kullanılarak uyumlandırıldı ve birincil yöntem olarak çok değişkenli IVW analizi yapıldı.

Çoklu karşılaştırmaları hesaba katmak için, ana Mendel randomizasyon analizlerinde R'deki p.adjust() fonksiyonu aracılığıyla Benjamini–Hochberg yöntemiyle yanlış keşif oranı (FDR) düzeltmesi uygulandı. Özellikle, SVS üzerindeki metabolik özelliklerin etkileri (n = 3), metabolik özelliklerin depresyon üzerindeki etkileri (n = 3) ve SVS üzerindeki depresyon (n = 1) dahil olmak üzere toplam birincil nedensel testlerin sayısı için ayarlama yapıldı ve toplamda yedi test yapıldı. Düzeltilmiş P-değerleri (FDR q-değerleri) hesaplandı ve istatistiksel anlamlılık hem nominal hem de FDR düzeltilmiş değerler dikkate alınarak yorumlandı. FDR düzeltmesinden sonra anlamlı kalan sonuçlar sağlam kabul edilirken, sadece nominal anlama sahip olanlar temkinli yorumlandı.

Arabuluculuk analizi

Arabuluculuk analizleri için, kronik metabolik özelliklerin depresyon yoluyla SVS üzerindeki dolaylı etkilerini tahmin etmek amacıyla iki aşamalı bir MR çerçevesi uygulandı. Bu çerçeve, GWAS özet istatistikleri kullanılarak iki ardışık MR analizi yapılarak uygulandı. Bu çerçevede, E maruziyeti (BMI, obezite veya T2D), M aracıyı (depresyon), Y ise sonucu (SVS) belirtir. İlk olarak, her kronik metabolik özelliğin (BMI, obezite ve T2D) aracı (β (Efigure-protocol-1M)) üzerindeki nedensel etkisi tahmin edildi. İkinci olarak, arabulucunun sonuç üzerindeki nedensel etkisi (β (Mfigure-protocol-2Y)) değerlendirildi. Dolaylı etki (arabuluculuk etkisi) bu iki tahminin çarpmasıyla hesaplandı:

figure-protocol-3

ve aracılık edilen oran, dolaylı etkinin toplam etkinin bölünmesiyle elde edildi

(Oran aracılık = figure-protocol-4).

Dolaylı etkinin standart hatası (SE) delta yöntemi kullanılarak iki etki tahmini arasında bağımsızlık varsayılır olarak tahmin edilmiştir:

SE dolaylı = figure-protocol-5

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Kronik metabolik özelliklerin SVS üzerindeki nedensel etkileri

Tek değişkenli MR analizlerinde, genetik olarak öngörülen yüksek BMI, obezite ve T2D, SVS riskinin artmasıyla pozitif olarak ilişkilendirildi. Bu ilişkiler hassasiyet analizlerinde tutarlıydı ve MR-Egger kesici testinden önemli yatay pleiotropi belirtisi bulunmadı. Genetik olarak öngörülen yüksek BMI, SVS riskinin artmasıyla anlamlı ilişkilendirildi ve %25,0 daha yüksek olasılık gö...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu MR çalışmasında, başlıca kronik metabolik özellikler (BMI, obezite ve T2D), depresyon ve SVS arasındaki nedensel ilişkiler sistematik olarak incelendi. Çalışma, üç önemli bulguyu vurgulamaktadır. İlk olarak, genetik olarak öngörülen yüksek BMI, obezite ve T2D, SVS riskinin artmasıyla nedensel olarak ilişkilendirilmiştir. İkinci olarak, bu metabolik özellikler de depresyon riskinin artmasıyla ilişkilendirilirken, depresyonun kendisi SVS ile nedensel bir ilişki gösterdi. Üçüncü olarak, ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, rekabet eden çıkarları olmadığını belirtirler.

Teşekkürler

Bu çalışma, Jiaxing Bilim ve Teknoloji Programı (2023AD11020, 2023AD11019, 2022AY30029, 2023AD31033) ve Zhejiang Tıp ve Sağlık Bilimi ve Teknolojisi Programı (2024KY1689) tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
R yazılımı (sürüm 4.1.2)The R Foundationhttps://www.r-project.org/İstatistiksel hesaplama ortamı
TwoSampleMR paketi (sürüm 0.6.22)IEU OpenGWAShttps://mrcieu.github.io/TwoSampleMR/index.htmlMendelian rasgeleştirme analiz yazılım platformu

Kaynaklar

  1. GBD 2021 Stroke Risk Factor Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2021: A systematic analysis for the global burden of disease study 2021. Lancet Neurol. 23 (10), 973-1003 (2024).
  2. Wang, C. H., Xin, Z. K. Causal association between 25-hydroxyvitamin d status and cataract development: A two-sample mendelian randomization study. World J Clin Cases. 12 (16), 2789-2795 (2024).
  3. Cai, H., et al. Major depression and small vessel stroke: A mendelian randomization analysis. J Neurol. 266 (11), 2859-2866 (2019).
  4. Harshfield, E. L., et al. Association between depressive symptoms and incident cardiovascular diseases. JAMA. 324 (23), 2396-2405 (2020).
  5. Penninx, B. W., Milaneschi, Y., Lamers, F., Vogelzangs, N. Understanding the somatic consequences of depression: Biological mechanisms and the role of depression symptom profile. BMC Med. 11, 129(2013).
  6. Davey Smith, G., Hemani, G. Mendelian randomization: Genetic anchors for causal inference in epidemiological studies. Hum Mol Genet. 23 (R1), R89-R98 (2014).
  7. Georgakis, M. K., et al. Diabetes mellitus, glycemic traits, and cerebrovascular disease: A mendelian randomization study. Neurology. 96 (13), e1732-e1742 (2021).
  8. Larsson, S. C., Bäck, M., Rees, J. M. B., Mason, A. M., Burgess, S. Body mass index and body composition in relation to 14 cardiovascular conditions in uk biobank: A mendelian randomization study. Eur Heart J. 41 (2), 221-226 (2020).
  9. Marini, S., et al. Mendelian randomization study of obesity and cerebrovascular disease. Ann Neurol. 87 (4), 516-524 (2020).
  10. Li, G. H., et al. Evaluation of bi-directional causal association between depression and cardiovascular diseases: A mendelian randomization study. Psychol Med. 52 (9), 1765-1776 (2022).
  11. Calagua-Bedoya, E. A., Rajasekaran, V., De Witte, L., Perez-Rodriguez, M. M. The role of inflammation in depression and beyond: A primer for clinicians. Curr Psychiatry Rep. 26 (10), 514-529 (2024).
  12. Hare, D. L., Toukhsati, S. R., Johansson, P., Jaarsma, T. Depression and cardiovascular disease: A clinical review. Eur Heart J. 35 (21), 1365-1372 (2014).
  13. Krittanawong, C., et al. Association of depression and cardiovascular disease. Am J Med. 136 (9), 881-895 (2023).
  14. Osborne, M. T., et al. Disentangling the links between psychosocial stress and cardiovascular disease. Circ Cardiovasc Imaging. 13 (8), e010931(2020).
  15. Mbatchou, J., et al. Computationally efficient whole-genome regression for quantitative and binary traits. Nat Genet. 53 (7), 1097-1103 (2021).
  16. Berndt, S. I., et al. Genome-wide meta-analysis identifies 11 new loci for anthropometric traits and provides insights into genetic architecture. Nat Genet. 45 (5), 501-512 (2013).
  17. Xue, A., et al. Genome-wide association analyses identify 143 risk variants and putative regulatory mechanisms for type 2 diabetes. Nat Commun. 9 (1), 2941(2018).
  18. Wray, N. R., et al. Genome-wide association analyses identify 44 risk variants and refine the genetic architecture of major depression. Nat Genet. 50 (5), 668-681 (2018).
  19. Malik, R., et al. Multiancestry genome-wide association study of 520,000 subjects identifies 32 loci associated with stroke and stroke subtypes. Nat Genet. 50 (4), 524-537 (2018).
  20. Burgess, S., Butterworth, A., Thompson, S. G. Mendelian randomization analysis with multiple genetic variants using summarized data. Genet Epidemiol. 37 (7), 658-665 (2013).
  21. Lawlor, D. A., Harbord, R. M., Sterne, J. A., Timpson, N., Davey Smith, G. Mendelian randomization: Using genes as instruments for making causal inferences in epidemiology. Stat Med. 27 (8), 1133-1163 (2008).
  22. Pierce, B. L., Ahsan, H., Vanderweele, T. J. Power and instrument strength requirements for mendelian randomization studies using multiple genetic variants. Int J Epidemiol. 40 (3), 740-752 (2011).
  23. Auton, A., et al. A global reference for human genetic variation. Nature. 526 (7571), 68-74 (2015).
  24. Bradley, S. A., et al. Role of diabetes in stroke: Recent advances in pathophysiology and clinical management. Diabetes Metab Res Rev. 38 (2), e3495(2022).
  25. Lau, L. H., Lew, J., Borschmann, K., Thijs, V., Ekinci, E. I. Prevalence of diabetes and its effects on stroke outcomes: A meta-analysis and literature review. J Diabetes Investig. 10 (3), 780-792 (2019).
  26. Lee, S. H., Jung, J. M., Park, M. H. Obesity paradox and stroke outcomes according to stroke subtype: A propensity score-matched analysis. Int J Obes (Lond). 47 (8), 669-676 (2023).
  27. Ye, J., et al. Association between the weight-adjusted waist index and stroke: A cross-sectional study. BMC Public Health. 23 (1), 1689(2023).
  28. Chehaibi, K., Hrira, M. Y., Trabelsi, I., Escolà-Gil, J. C., Slimane, M. N. Gene variant and level of il-1β in ischemic stroke patients with and without type 2 diabetes mellitus. J Mol Neurosci. 57 (3), 404-409 (2015).
  29. Chen, R., Yan, J., Liu, P., Wang, Z., Wang, C. Plasminogen activator inhibitor links obesity and thrombotic cerebrovascular diseases: The roles of pai-1 and obesity on stroke. Metab Brain Dis. 32 (3), 667-673 (2017).
  30. Letra, L., Sena, C. Cerebrovascular disease: Consequences of obesity-induced endothelial dysfunction. Adv Neurobiol. 19, 163-189 (2017).
  31. Campayo, A., Gómez-Biel, C. H., Lobo, A. Diabetes and depression. Curr Psychiatry Rep. 13 (1), 26-30 (2011).
  32. Milaneschi, Y., Simmons, W. K., Van Rossum, E. F. C., Penninx, B. W. Depression and obesity: Evidence of shared biological mechanisms. Mol Psychiatry. 24 (1), 18-33 (2019).
  33. Roy, T., Lloyd, C. E. Epidemiology of depression and diabetes: A systematic review. J Affect Disord. 142, S8-S21 (2012).
  34. Li, P., et al. Pramipexole improves depression-like behavior in diabetes mellitus with depression rats by inhibiting nlrp3 inflammasome-mediated neuroinflammation and preventing impaired neuroplasticity. J Affect Disord. 356, 586-596 (2024).
  35. Miller, A. H., Raison, C. L. The role of inflammation in depression: From evolutionary imperative to modern treatment target. Nat Rev Immunol. 16 (1), 22-34 (2016).
  36. Pan, A., Sun, Q., Okereke, O. I., Rexrode, K. M., Hu, F. B. Depression and risk of stroke morbidity and mortality: A meta-analysis and systematic review. JAMA. 306 (11), 1241-1249 (2011).
  37. Penninx, B. W. Depression and cardiovascular disease: Epidemiological evidence on their linking mechanisms. Neurosci Biobehav Rev. 74 (Pt B), 277-286 (2017).
  38. Whooley, M. A., Wong, J. M. Depression and cardiovascular disorders. Annu Rev Clin Psychol. 9, 327-354 (2013).
  39. Burgess, S., Scott, R. A., Timpson, N. J., Davey Smith, G., Thompson, S. G. Using published data in mendelian randomization: A blueprint for efficient identification of causal risk factors. Eur J Epidemiol. 30 (7), 543-552 (2015).
  40. Holmes, M. V., Ala-Korpela, M., Smith, G. D. Mendelian randomization in cardiometabolic disease: Challenges in evaluating causality. Nat Rev Cardiol. 14 (10), 577-590 (2017).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

K k Damar nmesiMaj r Depresif BozuklukTip 2 DiyabetV cut Kitle ndeksiObezite RiskiDepresyon Arac lSerebrovask ler Hastal k
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.