Weight Beneficial Treatments for Type 2 Diabetes
Notice bibliographique
Résumé
CONTEXT: The close link between type 2 diabetes and excess body weight highlights the need to consider the weight effects of different treatment regimens. We examine the impact of "weight-friendly" type 2 diabetes pharmacotherapies and suggest treatment strategies that mitigate weight gain. EVIDENCE ACQUISITION: Evidence was identified via PubMed search by class and agent and in bibliographies of review articles, with final articles for inclusion selected by author consensus. EVIDENCE SYNTHESIS: Substantial evidence confirms the weight benefits of metformin and shows that, of the newer available agents, glucagon-like peptide-1 (GLP-1) agonists and amylin analogs promote weight loss. Dipeptidyl peptidase-4 (DPP-4) inhibitors and bile acid sequestrants are weight-neutral. Liraglutide and exenatide appear to have similar effects on weight; however, recent research suggests a potentially greater effect of liraglutide on glycemic control compared to exenatide, when used as a second-line therapy. Mounting evidence suggests that insulin detemir may provide the most favorable weight benefits of available insulins. CONCLUSIONS: Weight-beneficial agents should be considered in patients, particularly obese patients, who fail to reach glycemic targets on metformin therapy. We propose the following treatment choices based on potential weight benefit and blood glucose increment: long-acting GLP-1 agonists (liraglutide), DPP-4 inhibitors, bile acid sequestrants, amylin analogs, and basal insulin for patients with elevated fasting plasma glucose; and short-acting (exenatide) or long-acting GLP-1 agonists, amylin analogs, DPP-4 inhibitors, acarbose, and bile acid sequestrants for patients with elevated postprandial glucose. The weight-sparing effects of insulin detemir, notably in patients with high body mass index, should also be considered when initiating insulin therapy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».