Prevalence of Emotional and Binge Eating Among Patients With Obesity Attending a Specialist Weight Management Service for Bariatric Surgery in the United Kingdom
Notice bibliographique
Résumé
BACKGROUND: Emotional eating (EE) is a tendency to consume food in response to positive or negative emotions, leading to obesity and an increased Body Mass Index (BMI). Evidence supports the positive association between EE and binge eating disorder (BED), but little is known about its prevalence among patients referred for bariatric surgery and the psychological characteristics of this patient population. We aim to examine (i) the prevalence of binge eating and EE, (ii) its association with the prevalence of anxiety, depression, diabetes and hypertension and (iii) the correlation between anxiety and depression with emotional and binge eating behaviours among patients attending a regional bariatric service in the UK. METHOD: A cross-sectional case file design involving 285 participants (mean age = 43.88 ± 11.5, female (80.7%) and male (19.3%)) was used. Outcome measures included body weight, BMI, the Weight Loss Readiness (WLR) Questionnaire, Generalised Anxiety Disorder-7 (GAD-7), Patient Health Questionnaire (PHQ-9) and Alcohol Use Disorders Identification Test- Consumption (AUDIT-C). RESULTS: Within this patient group, the prevalence of binge eating and EE were 28.8% and 22.1% respectively. Among these, 19.3% had diabetes mellitus, 24.8% hypertension, 21% harmful alcohol use, 65% had high anxiety score and 77% high depression scores. Most correlations between body weight and variables like AUDIT-C, GAD-7, PHQ-9 scores and WLR scores for hunger, binge eating and EE were not significant. A positive association was observed between depression and anxiety with binge eating, and EE behaviours. CONCLUSION: Patients awaiting bariatric surgery have a wide range of mental and physical health comorbidities, with evidence of positive associations between higher depression and anxiety levels with abnormal eating behaviours. These findings highlight the need for screening for comorbidities in this patient population to optimise patient outcomes postbariatric surgery.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».