Management of type 2 diabetes, obesity, or nonalcoholic steatohepatitis with high‐dose GLP‐1 receptor agonists and GLP‐1 receptor‐based co‐agonists
Notice bibliographique
Résumé
Type 2 diabetes (T2D), obesity, and nonalcoholic fatty liver disease/nonalacoholic steatohepatitis (NAFLD/NASH) share mutual causalities. Medications that may offer clinical benefits to all three conditions are being developed. Glucagon-like peptide-1 receptor agonists (GLP-1RAs) are approved for the management of T2D and obesity and there is great interest in evaluating higher doses of available GLP-1RAs and developing novel GLP-1RA-based co-agonists to provide greater reductions in glycated hemoglobin (HbA1c) and body weight as well as modifying NAFLD/NASH complications in clinically meaningful ways. High-dose GLP-1RAs and multi-hormonal strategies including GLP-1R agonism have either already been approved or are in development for managing T2D, obesity, or NASH. We provide a mechanistic outline with a detailed summary of the available clinical data and ongoing trials that are adjudicating the impact of high-dose GLP-1RAs, unimolecular, and multimolecular GLP-1R-based co-agonists in populations living with T2D, obesity, or NASH. The available trial findings are aligned with preclinical observations, showing clinical efficacy and safety thus providing optimism for the expansion of GLP-1R-based drug classes for managing the triad of T2D, obesity and NASH. Development, access, and wide-spread utilization of these new therapeutic approaches will offer important opportunities to markedly improve the collective global burden of T2D, obesity, and NASH.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».