Next Generation Weight Loss Drugs for the Prevention of Cancer?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Western populations are losing the battle over healthy weight management, and excess body weight is a notable cancer risk factor at the population level. There is ongoing interest in pharmacological interventions aimed at promoting weight loss, including GLP-1 receptor agonists (GLP-1RA), which may be a useful tool to stem the rising tide of obesity-related cancers. Purpose: To investigate the potential of next generation weight loss drugs (NGWLD) like GLP-1RA in population-level chemoprevention. Research Design: We used the OncoSim microsimulation tool to estimate the population-level reductions in obesity and the potentially avoidable obesity-related cancers in Canada over the next 25 years. Results: We estimated a total of 71 281 preventable cancers by 2049, with 36 235 and 35 046 cancers prevented for females and males, respectively. Among the 327 254 total projected cancer cases in 2049, 1.3% are estimated to be preventable through intervention with NGWLD. Conclusions: Pharmacologic intervention is not the ideal solution for the obesity-related cancer crisis. However, these agents and subsequent generations provide an additional tool to rapidly reduce body weight and adiposity in populations that have been extremely challenging to reduce weight with standard diet and exercise approaches. Additional research is needed around approaches to prevent initial weight gain and maintain long-term weight loss.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 découle