MétaCan
Menu
Retour à la cohorte
Enregistrement W4410979547 · doi:10.1016/j.obpill.2025.100181

Nutritional priorities to support GLP-1 therapy for obesity: A joint advisory from the American College of Lifestyle Medicine, the American Society for Nutrition, the Obesity Medicine Association, and the Obesity Society

2025· review· en· W4410979547 sur OpenAlexaff
Dariush Mozaffarian, Monica Agarwal, Monica Aggarwal, Lydia Alexander, Caroline M. Apovian, Shagun Bindlish, Jonathan P. Bonnet, W. Scott Butsch, Sandra Christensen, Eugenia Gianos, Mahima Gulati, Alka Gupta, Ryan M. Kane, Jasdeep Saluja, Deepa Sannidhi, Fatima Cody Stanford, Emily A. Callahan

Notice bibliographique

RevueObesity Pillars · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueDiabetes Treatment and Management
Établissements canadiensCanadian Asian Studies Association
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Heart, Lung, and Blood InstituteSuomen Kardiologinen SeuraNational Institutes of Health
Mots-clésMedicineWeight lossPsychological interventionObesityMedical nutrition therapyWeight managementGerontologyIntensive care medicinePsychiatryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Glucagon-like peptide 1 receptor agonists and combination medications (GLP-1s) are shifting the treatment landscape for obesity. However, real-world challenges and limited clinician and public knowledge on nutritional and lifestyle interventions can limit GLP-1 efficacy, equitable results, and cost-effectiveness. Objectives: We aimed to identify pragmatic priorities for nutrition and other lifestyle interventions relevant to GLP-1 treatment of obesity for the practicing clinician. Methods: An expert group comprising multiple clinical and research disciplines appraised the scientific literature, informed by expert knowledge and clinical experience, to identify and summarize relevant topics, priorities, and emerging directions. Results: GLP-1s reduce body weight by 5-18 % in trials, with modestly lower effects in real-world analyses, with multiple demonstrated clinical benefits. Challenges include side effects, especially gastrointestinal; nutritional deficiencies due to calorie reduction; muscle and bone loss; low long-term adherence with subsequent weight regain; and high costs with resulting low cost-effectiveness. Numerous practice guidelines recommend multicomponent, evidence-based nutritional and behavioral therapy for adults with obesity, but use of such therapies with GLP-1s is not widespread. Priorities to address this include: (a) patient-centered initiation of GLP-1s, including goals for weight reduction and health; (b) baseline screening, including usual dietary habits, emotional triggers, disordered eating, and relevant medical conditions; (c) comprehensive exam including muscle strength, function, and body composition assessment; (d) social determinants of health screening; (e) and lifestyle assessment including aerobic activity, strength training, sleep, mental stress, substance use, and social connections. During GLP-1 use, nutritional and medical management of gastrointestinal side effects is critical, as is navigating altered dietary preferences and intakes, preventing nutrient deficiencies, preserving muscle and bone mass through resistance training and appropriate diet; and complementary lifestyle interventions. Supportive strategies include group-based visits, registered dietitian nutritionist counseling, telehealth and digital platforms, and Food is Medicine interventions. Drug access, food and nutrition insecurity, and nutrition and culinary knowledge influence equitable obesity management with GLP-1s. Emerging areas for more study include dietary modulation of endogenous GLP-1, strategies to improve compliance, nutritional priorities for weight maintenance post-cessation, combination or staged intensive lifestyle management, and diagnostic criteria for clinical obesity. Conclusions: Evidence-based nutritional and lifestyle strategies play a pivotal role to address key challenges around GLP-1 treatment of obesity, making clinicians more effective in advancing their patients' health.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesÉtudes des sciences et des technologies
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,110
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0040,002
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,003
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,306
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueObesity PillarsMême sujetDiabetes Treatment and ManagementTravaux en français237 207