Best evidence summary for nutritional management of patients with sarcopenic obesity
Notice bibliographique
Résumé
ObjectiveTo summarize the best available evidence on nutritional management for patients with sarcopenic obesity,so as to provide an evidence-based foundation for developing scientific and effective nutritional intervention strategies.MethodsA comprehensive search was conducted across multiple databases,including UpToDate, DynaMed, BMJ Best Practice,CMA Infobase(Canadian Medical Association), Chinese Medical Guideline Network,National Guideline Clearinghouse(USA),WHO Guidelines Database,RNAO (Registered Nurses' Association of Ontario),CBM(Chinese Biomedical Literature Database),CNKI,Wanfang Data,VIP Database, PubMed, EMbase,Web of Science,and Cochrane Library.The retrieval period spanned from database setup to December 1,2024.Studies focusing on nutritional interventions for sarcopenic obesity were included.ResultsA total of 18 studies were included, comprising 1 clinical guideline,2 evidence-based clinical decision documents,5 expert consensus statements, 7 systematic reviews, and 3 meta-analyses.The evidence was synthesized into 32 key recommendations across four domains: screening and assessment,dietary modifications,nutritional supplementation,health education and follow-up monitoring.ConclusionsThe summarized best evidence on nutritional management for sarcopenic obesity can guide healthcare providers in safely and effectively improve patients' nutritional status,enhance quality of life,and reduce disability and mortality rates.
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 | 0,010 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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 ».