Metabolic Monitoring for Patients Treated with Antipsychotic Medications
Notice bibliographique
Résumé
OBJECTIVES: Metabolic side effects of antipsychotic treatment include weight gain, dyslipidemia and increased susceptibility to diabetes. Patients with schizophrenia have increased coronary heart disease mortality and reduced life expectancy. There is an urgent clinical need to monitor antipsychotic-treated patients for metabolic disturbance. Our objectives were to review published international monitoring guidelines, establish goals for metabolic monitoring, and make recommendations for practice. METHOD: We reviewed the major published consensus guidelines for metabolic monitoring of patients treated with antipsychotic medications and selectively reviewed practice guidelines for the management of diabetes, dyslipidemia, and hypertension. RESULTS: Patients with serious mental illness have markedly elevated rates of metabolic disturbance and limited access to general medical care. Monitoring, but not necessarily medical treatment of metabolic disorder, falls within the scope of psychiatric practice and should include screening for metabolic disturbance as well as tracking the effects of antipsychotic treatment. In addition, psychiatrists and psychiatric services should work toward facilitating patients' access to medical care. There is considerable consensus in the published guidelines. Areas of dissent include which patients to monitor, the utility of glucose tolerance testing, and the point at which to consider switching antipsychotics. CONCLUSION: We encourage clinicians to adopt a structured system for conducting and recording metabolic monitoring and to develop collaborations with family physicians, diabetes specialists, dieticians, and recreation therapists to facilitate appropriate medical care for antipsychotic-treated patients.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».