A model‐based approach to predict individual weight loss with semaglutide in people with overweight or obesity
Notice bibliographique
Résumé
AIMS: To determine the relationship between exposure and weight-loss trajectories for the glucagon-like peptide-1 analogue semaglutide for weight management. MATERIALS AND METHODS: Data from one 52-week, phase 2, dose-ranging trial (once-daily subcutaneous semaglutide 0.05-0.4 mg) and two 68-week phase 3 trials (once-weekly subcutaneous semaglutide 2.4 mg) for weight management in people with overweight or obesity with or without type 2 diabetes were used to develop a population pharmacokinetic (PK) model describing semaglutide exposure. An exposure-response model describing weight change was then developed using baseline demographics, glycated haemoglobin and PK data during treatment. The ability of the exposure-response model to predict 1-year weight loss based on weight data collected at baseline and after up to 28 weeks of treatment, was assessed using three independent phase 3 trials. RESULTS: Based on population PK, exposure levels over time consistently explained the weight-loss trajectories across trials and dosing regimens. The exposure-response model had high precision and limited bias for predicting body weight loss at 1 year in independent datasets, with increased precision when data from later time points were included in the prediction. CONCLUSION: An exposure-response model has been established that quantitatively describes the relationship between systemic semaglutide exposure and weight loss and predicts weight-loss trajectories for people with overweight or obesity who are receiving semaglutide doses up to 2.4 mg once weekly.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».