GLP-1 receptor agonist therapy for obesity via direct-to-consumer telemedicine: Clinical characteristics and treatment outcomes
Notice bibliographique
Résumé
Objective: This study aimed to characterize the patient population using a DTC telemedicine platform for obesity treatment with liraglutide, evaluate treatment success and adherence, and assess the side effect profile using patient-reported outcomes. Methods: We conducted a retrospective cross-sectional study using anonymized data from 966 patients who received liraglutide prescriptions through a DTC platform between August 2022 and April 2024. Patients completed an initial online questionnaire to assess eligibility, followed by a physician's review. A follow-up questionnaire was administered 50 days after the first prescription to evaluate outcomes, including weight loss, adverse events, and treatment satisfaction. Results: The majority of patients (70%) had long-standing obesity, with 46.6% having a BMI between 30 and 34.4 kg/m². Most (88.9%) were new to glucagon-like peptide-1 receptor agonists therapy. After 50 days, 85.6% of patients reported a weight loss of more than 2 kg, with an average loss of 4.9 kg. Adverse events were reported by 39.8% of patients, primarily gastrointestinal issues. Treatment adherence was high, with 94.1% following the prescribed regimen. Despite adverse events, 86.4% of patients expressed a desire to continue treatment. Conclusion: This study demonstrates the potential effectiveness and accessibility of DTC telemedicine for obesity treatment using liraglutide, though gastrointestinal side effects were common. The findings support the use of DTC platforms for weight management, yet further research with longer follow-up and professional evaluation is necessary to confirm long-term safety and efficacy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».