Risk factors, prevention and treatment of weight gain associated with the use of antidepressants and antipsychotics: a state-of-the-art clinical review
Notice bibliographique
Résumé
INTRODUCTION: People with severe mental illness have poor cardiometabolic health. Commonly used antidepressants and antipsychotics frequently lead to weight gain, which may further contribute to adverse cardiovascular outcomes. AREAS COVERED: We searched MEDLINE up to April 2023 for umbrella reviews, (network-)meta-analyses, trials and cohort studies on risk factors, prevention and treatment strategies of weight gain associated with antidepressants/antipsychotics. We developed 10 clinical recommendations. EXPERT OPINION: To prevent, manage, and treat antidepressant/antipsychotic-related weight gain, we recommend i) assessing risk factors for obesity before treatment, ii) monitoring metabolic health at baseline and regularly during follow-up, iii) offering lifestyle interventions including regular exercise and healthy diet based on patient preference to optimize motivation, iv) considering first-line psychotherapy for mild-moderate depression and anxiety disorders, v)choosing medications based on medications' and patient's weight gain risk, vi) choosing medications based on acute vs long-term treatment, vii) using effective, tolerated medications, viii) switching to less weight-inducing antipsychotics/antidepressants where possible, ix) using early weight gain as a predictor of further weight gain to inform the timing of intervention/switch options, and x) considering adding metformin or glucagon-like peptide-1 receptor agonists, or topiramate(second-line due to potential adverse cognitive effects) to antipsychotics, or aripiprazole to clozapine or olanzapine.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».