MétaCan
Menu
Retour à la cohorte
Enregistrement W2809622219 · doi:10.1111/eci.12982

Environmental risk factors and nonpharmacological and nonsurgical interventions for obesity: An umbrella review of meta‐analyses of cohort studies and randomized controlled trials

2018· review· en· W2809622219 sur OpenAlexaff
Marco Solmi, Cristiano A. Köhler, Brendon Stubbs, Ai Koyanagi, Beatrice Bortolato, Francesco Monaco, Davy Vancampfort, Myrela O. Machado, Michaël Maes, Ioanna Tzoulaki, Joseph Firth, John P. A. Ioannidis, André F. Carvalho

Notice bibliographique

RevueEuropean Journal of Clinical Investigation · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensUniversity of TorontoCentre for Addiction and Mental Health
Organismes subventionnairesEuropean Regional Development FundKing's College LondonInstituto de Salud Carlos IIINational Institute for Health and Care Research
Mots-clésMedicineOverweightPsychological interventionObesityMeta-analysisObservational studyRandomized controlled trialChildhood obesityCohort studyCohortSystematic reviewPhysical therapyPediatricsMEDLINEInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Multiple environmental factors have been implicated in obesity, and multiple interventions, besides drugs and surgery, have been assessed in obese patients. Results are scattered across many studies and meta-analyses, and they often mix obese and overweight individuals. MATERIALS AND METHODS: PubMed and Cochrane Database of Systematic Reviews were searched through 21 January 2017 for meta-analyses of cohort studies assessing environmental risk factors for obesity, and randomized controlled trials investigating nonpharmacological and nonsurgical therapeutic interventions for obesity. We excluded data on overweight participants. Evidence from observational studies was graded according to criteria that included the statistical significance of the random-effects summary estimate and of the largest study in a meta-analysis, the number of obesity cases, heterogeneity between studies, 95% prediction intervals, small-study effects and excess significance. The evidence of intervention studies for obesity was assessed with the GRADE framework. RESULTS: Fifty-four articles met eligibility criteria, including 26 meta-analyses of environmental risk factors (166 studies) and 46 meta-analyses of nondrug, nonsurgical interventions (206 trials). In adults, the only risk factor with convincing evidence was depression, and childhood obesity, adolescent obesity, childhood abuse and short sleep duration had highly suggestive evidence. Infancy weight gain during the first year of life, depression and low maternal education had convincing evidence for association with paediatric obesity. All interventions had low or very-low-quality evidence with one exception of moderate-quality evidence for one comparison (no differences in efficacy between brief lifestyle primary care interventions and other interventions for paediatric obesity). Summary effect sizes were mostly small across compared interventions (maximum 5.1 kg in adults and 1.78 kg in children) and even these estimates may be inflated. CONCLUSIONS: Depression, obesity in earlier age groups, short sleep duration, childhood abuse and low maternal education have the strongest support among proposed risk factors for obesity. Furthermore, there is no high-quality evidence to recommend treating obesity with a specific nonpharmacological and nonsurgical intervention among many available, and whatever benefits in terms of magnitude of weight loss appear small.

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)0,049
score de la tête « metaresearch » (Gemma)0,119
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,258

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0490,119
Méta-épidémiologie (sens strict)0,0040,002
Méta-épidémiologie (sens large)0,0200,036
Bibliométrie0,0130,014
Études des sciences et des technologies0,0010,001
Communication savante0,0050,003
Science ouverte0,0040,003
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,566
Tête enseignante GPT0,555
Écart entre enseignants0,012 · 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'étudeMéta-analyse
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

Citations90
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Clinical InvestigationMême sujetObesity, Physical Activity, DietTravaux en français237 207