Synergistic Combinations of Gut- and Pancreas-Hormone-Based Therapies: Advancements in Treatments for Metabolic Diseases
Notice bibliographique
Résumé
Metabolic diseases, such as obesity, type 2 diabetes mellitus (T2DM), cardiovascular disease, and liver disease, have become increasingly prevalent around the world. As an alternative to bariatric surgery, glucagon-like peptide 1 (GLP-1) receptor agonists have been at the forefront of weight loss medication to combat these metabolic complications. Recently, there has been an exciting rapid emergence of new weight loss medications that combine GLP-1 receptor (GLP-1R) agonists with other gut- and pancreatic-derived hormones, such as glucose-dependent insulinotropic polypeptide (GIP) and glucagon (GCG) receptor agonists. Dual-agonist (GLP-1/GIP and GLP-1/GCG) and tri-agonist (GLP-1/GIP/GCG) administration generally result in greater weight loss, reduction of blood sugar and lipid levels, restoration of tissue function, and improvement in whole-body substrate metabolism compared to when GLP-1R agonists are used alone. The aim of this review is to summarize the recent literature of both preclinical and clinical studies on how these emerging gut-peptide therapies further improve weight loss and metabolic health outcomes for various metabolic diseases.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,004 | 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 ».