Impact of weight trajectory after bariatric surgery on co-morbidity evolution and burden
Notice bibliographique
Résumé
Abstract Background Bariatric surgery in its various forms has been shown to be an effective intervention for weight management in select patients. Different types of surgery such as Roux-en-Y gastric bypass (RYGB) and sleeve gastrectomy demonstrate different efficacies in weight loss and co-morbidity resolution. Even within a single type of surgery, different patients respond differently and have differing weight-change trajectories post-surgery. The present analysis explores how improving a patient’s post-surgical weight change could impact on co-morbidity prevalence, treatment and associated costs in the Canadian setting. Methods Published data were used to derive statistical models to predict weight loss and co-morbidity evolution after RYGB. A 100-patient cohort was compared for an optimal versus a poor weight trajectory over a 10-year time horizon after surgery. Costs (2018 CAD$) were considered from the Canadian public payer perspective for diabetes, hypertension and dyslipidaemia. Robustness of results was assessed using probabilistic sensitivity analyses using the R language. Results Models fitted to patient data for total weight loss and co-morbidity evolution (resolution and new onset) demonstrated good fitting. Having a good versus poor weight trajectory resulted in a decreased burden, saving 181, 817, and 530 patient-years of diabetes, hypertension and dyslipidaemia treatment respectively. Cohorts on a good weight trajectory following RYGB had $1.9 million lower costs at 10 years than those on a poor weight trajectory. Conclusions Within a cohort of patients receiving the same type of bariatric surgery, achieving a good versus a poor weight loss trajectory can have a significant impact on outcomes by reducing the number of patient years of co-morbidity treatment and corresponding cost. Given the burden associated with a poor weight trajectory, health care systems should consider how best to ensure that more patients achieve a good long-term weight trajectory after bariatric surgery.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».