Recognizing Binge-Eating Disorder in the Clinical Setting
Notice bibliographique
Résumé
Article AbstractObjective: Review the clinical skills needed to recognize, diagnose, and manage binge-eating disorder (BED) in a primary care setting.Data Sources: A PubMed search of English-language publications (January 1, 2008-December 11, 2014) was conducted using the term binge-eating disorder. Relevant articles known to the authors were also included.Study Selection/Data Extraction: Publications focusing on preclinical topics (eg, characterization of receptors and neurotransmitter systems) without discussing clinical relevance were excluded. A total of 101 publications were included in this review.Results: Although BED is the most prevalent eating disorder, it is underdiagnosed and undertreated. BED can be associated with medical (eg, type 2 diabetes and metabolic syndrome) and psychiatric (eg, depression and anxiety) comorbidities that, if left untreated, can impair quality of life and functionality. Primary care physicians may find diagnosing and treating BED challenging because of insufficient knowledge of its new diagnostic criteria and available treatment options. Furthermore, individuals with BED may be reluctant to seek treatment because of shame, embarrassment, and a lack of awareness of the disorder. Several short assessment tools are available to screen for BED in primary care settings. Pharmacotherapy and psychotherapy should focus on reducing binge-eating behavior, thereby reducing medical and psychiatric complications.Conclusions: Overcoming primary care physician- and patient-related barriers is critical to accurately diagnose and appropriately treat BED. Primary care physicians should take an active role in the initial recognition and assessment of suspected BED based on case-finding indicators (eg, eating habits and being overweight), the initial treatment selection, and the long-term follow-up of patients who meet DSM-5 BED diagnostic criteria.†‹
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».