How the COVID-19 pandemic has affected obesity levels and how liraglutide may play a role in its control
Notice bibliographique
Résumé
In March 2020, the UK Government introduced formal social lockdown measures to restrict the spread of the COVID-19 virus. Both the lockdowns and the pandemic have had considerable social and health consequences beyond the direct death toll attributable to COVID-19. One of the secondary effects of COVID-19 and lockdown is increased levels of obesity. The most common and convenient measurement of obesity that is currently used is body mass index (BMI), with a BMI over 30 being classed as obese. Excess weight is one of the few modifiable factors for COVID-19 and, as such, achieving a healthier weight is crucial to keep the nation fit and well as we move forward. There are many ways in which weight may be controlled or managed, from exercise, diet and nutrition, to surgery to medication. Liraglutide is the drug that is commonly known as Saxenda®. It may be prescribed for individuals with a BMI of 30kg/m2 or more or those with a BMI of 27kg/m2 who have another weight-related illness, such as high blood pressure, type 2 diabetes or dyslipidemia. It has a number of cautions and contraindications, and the side effects experienced are generally gastrointestinal-related. As with many weight management programmes, Saxenda works in conjunction with a reduced calorie diet and an increase in physical activity.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».