MétaCan
Menu
Retour à la cohorte
Enregistrement W1531353448 · doi:10.1159/000095331

Treatment of Obesity: A Challenging Task

2006· review· en· W1531353448 sur OpenAlexaff
Arya M. Sharma, Gianluca Iacobellis

Notice bibliographique

RevueContributions to nephrology · 2006
Typereview
Langueen
DomaineMedicine
ThématiquePharmacology and Obesity Treatment
Établissements canadiensMcMaster UniversityHamilton Health Sciences
Organismes subventionnairesnon disponible
Mots-clésWeight lossOrlistatSibutramineMedicineObesityManagement of obesityWeight managementPsychological interventionPhysical therapyIntensive care medicineInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Obesity is a chronic and heterogeneous medical condition. Weight loss is clearly the most desirable goal in obese subjects management. Successful obesity treatment should be defined as long-term weight loss maintenance. In this chapter, we briefly review the current evidences regarding the treatment of obesity. METHODS: We searched MEDLINE and PubMed for original articles published between 1995 and 2006, focusing on obesity treatment. The search terms we used, alone or in combination, were 'obesity', 'lifestyle changes', 'diet', 'exercise', 'pharmacological treatment', 'surgical treatment'. CONCLUSIONS: The conventional management of obese patients involves weight reduction with lifestyle changes, including dietary therapy and increased physical activity, or a combined approach with lifestyle changes and pharmacological or surgical interventions. Exercise appears crucial in the successful maintenance of weight loss and in fostering cardiovascular health in obese patients. Some anti-obesity drugs, such as sibutramine and orlistat, have been shown to induce a significant weight loss and long-term weight loss maintenance. Surgical therapy is often necessary in morbidly obese patients and generally results in more significant and long-lasting weight loss than other treatments.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,389
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContributions to nephrologyMême sujetPharmacology and Obesity TreatmentTravaux en français237 207