GLP-1 Receptor Agonists as a Novel Solution for Antipsychotic-Induced Weight Gain in Severe and Persistent Mental Illness
Notice bibliographique
Résumé
Patients with severe and persistent mental illness (SPMI) experience significant metabolic side effects from antipsychotic medications, including antipsychotic-induced weight gain (AIWG). This contributes to a high prevalence of obesity, insulin resistance, and type 2 diabetes in this population, ultimately reducing life expectancy. Traditional weight management strategies, such as behavioural interventions, are often less feasible in this group. Glucagon-like peptide-1 receptor agonists (GLP-1RAs), initially developed for type 2 diabetes, have shown promise in addressing AIWG by reducing weight, improving metabolic parameters, and offering potential neuroprotective and psychiatric benefits. Evidence supports the efficacy of GLP-1RAs in managing AIWG, with studies demonstrating substantial reductions in weight and body mass index without exacerbating psychiatric symptoms. However, access to these medications remains limited due to high costs and restrictive healthcare policies. Expanding access to GLP-1RAs could bridge a critical gap in care for patients with SPMI, improving both physical and mental health outcomes. Future research should focus on evaluating long-term efficacy and cost-effectiveness, particularly in the Canadian healthcare context, to inform policy changes and optimize treatment strategies.Plain Language Summary TitleCan diabetes medications help treat weight gain caused by antipsychotics?
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,003 |
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 ».