A comprehensive diagnostic approach to detect underlying causes of obesity in adults
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Obesity is a worldwide growing problem. When confronted with obesity, many health care providers focus on direct treatment of the consequences of adiposity. We plead for adequate diagnostics first, followed by an individualized treatment. We provide experience-based and evidence-based practical recommendations (illustrated by clinical examples), to detect potential underlying diseases and contributing factors. Adult patients consulting a doctor for weight gain or obesity should first be clinically assessed for underlying diseases, such as monogenetic or syndromic obesity, hypothyroidism, (cyclic) Cushing syndrome, polycystic ovarian syndrome (PCOS), hypogonadism, growth hormone deficiency, and hypothalamic obesity. The most important alarm symptoms for genetic obesity are early onset obesity, dysmorphic features/congenital malformations with or without intellectual deficit, behavioral problems, hyperphagia, and/or striking family history. Importantly, also common contributing factors to weight gain should be investigated, including medication (mainly psychiatric drugs, (local) corticosteroids, insulin, and specific β-adrenergic receptor blockers), sleeping habits and quality, crash diets and yoyo-effect, smoking cessation, and alcoholism. Other associated conditions include mental factors such as chronic stress or binge-eating disorder and depression.Identifying and optimizing the underlying diseases, contributing factors, and other associated conditions may not only result in more effective and personalized treatment but could also reduce the social stigma for patients with obesity.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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 découle