Prevalens av- og treningseffekt på personer med sarcopenic obesity, osteosarcopenia, osteopenic obesity og osteosarcopenic obesity: en systematisk kunnskapsoppsummering
Bibliographic record
Abstract
Studiedesign: Systematisk kunnskapsoppsummering\n\nBakgrunn: Dagens samfunn preges av en aldrende og inaktiv befolkning. En konsekvens av dette er økt sjanse for at flere rammes av ulike alders- og livsstilsrelaterte helseproblem, deriblant osteoporose, sarkopeni og fedme, som videre kan føre til sarcopenic obesity (SO), osteosarcopenia (OS), osteopenic obesity (OO) eller osteosarcopenic obesity (OSO).\n\nFormål: Denne kunnskapsoppsummeringen har to mål; 1: Kartlegge den globale prevalensen av SO, OS, OO og OSO. 2: Se på effekt av trening på beinmasse, muskelmasse/-styrke og fettmasse hos personer som er rammet av disse tilstandene.\n\nMetode: To systematiske søk i tre databaser; Medline, Web of Science og Scopus, ble gjennomført i januar 2024. Søk 1 inkluderte tverrsnittstudier som så på prevalens av SO, OS, OO og OSO. Søk 2 inkluderte intervensjonsstudier som så på effekt av trening på kroppssammensetning og/eller beinmasse, muskelmasse/-styrke og fettmasse hos personer med SO, OS, OO eller OSO. Kvaliteten på studiene ble evaluert av Newcastle Ottawa scale (NOS) og Physical Therapy Evidence Database scale (PEDro).\n\nResultat: Søk 1 inkluderte sytten studier med totalt 19 899 deltakere (64 % kvinner). Global prevalens av SO = 2,3–29,3 %, OS = 1,5–30,6 %, OO = 4,8 %, og OSO = 0,8–19,8 %. Søk 2 inkluderte elleve studier med 563 deltakere (79 % kvinner). Effekt av styrketrening og kombinasjonstrening ble funnet: Muskelmasse økt 1,8–5,3 %, fettfri/mager kroppsmasse økt 4–6 %, muskelstyrke økt 6,5–33%, beinmineraltetthet økt 1 %, og fettmasse redusert 0,5–5 %. Alle studiene var av god kvalitet.\n\nKonklusjon: Den globale prevalensen av SO, OS, OO og OSO strekker seg fra rundt 1–2 % og opp mot 20 (OSO) –30 % (SO og OS). Belastningen av SO var høyest hos menn, OS og OSO var høyest hos kvinner. Både styrketrening og kombinasjonstrening har positiv effekt på beinmasse, muskelmasse/-styrke og fettmasse. En kombinasjon av styrke-og utholdenhetstrening anbefales for optimal fordeling av beinmasse, muskelmasse og fettmasse, samt for å redusere risikoen for helserelaterte utfordringer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.012 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.026 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".