DOI: https://doi.org/10.3389/fnut.2026.1777240
PMID: https://pubmed.ncbi.nlm.nih.gov/42058713
تاريخ النشر: 2026-04-14
المؤلف: Miksa Máté Henkrich وآخرون
الموضوع الرئيسي: السمنة والممارسات الصحية
نظرة عامة
تستكشف الدراسة دور السرديات التي يقدمها المرضى حول أسباب زيادة الوزن في فهم السمنة وتعزيز تدخلات فقدان الوزن. باستخدام نموذج لغة كبير (GPT4.1)، قام الباحثون بأتمتة تصنيف الموضوعات للسرديات من 2,463 مريضًا يعانون من زيادة الوزن أو السمنة، الذين تم متابعتهم خلال علاج متعدد التخصصات لفقدان الوزن. تم تصنيف السرديات إلى 12 موضوعًا، وتم تحليل ارتباطاتها مع العوامل الديموغرافية (العمر، الجنس، فئة مؤشر كتلة الجسم) ونتائج العلاج باستخدام طرق إحصائية وتقنيات تعلم الآلة، بما في ذلك مصنف الغابات العشوائية والتجميع غير المراقب.
أشارت النتائج إلى متوسط فقدان الوزن بنسبة 9.2% على مدى حوالي 109 أيام، مع تحقيق التصنيف الآلي دقة عالية (0.906) واسترجاع (0.897). ومن الجدير بالذكر أن أسباب زيادة الوزن كانت مرتبطة بالعمر والجنس ولكن ليس بفئة مؤشر كتلة الجسم، مع ملاحظات قوية بين الأسباب الفردية. زادت عوامل مثل جداول العمل المضطربة ومشاكل الصحة النفسية بشكل كبير من خطر عادات الأكل غير الصحية، بينما ارتبطت المشاكل الطبية بعدم النشاط البدني. حددت الدراسة سبعة أنماط مميزة للمرضى بناءً على سرديات زيادة الوزن، والتي أظهرت استجابات علاجية متباينة. تؤكد هذه النتائج على إمكانية دمج رؤى المرضى المستمدة في إدارة السمنة، داعية إلى تدخلات شخصية تأخذ في الاعتبار السرديات الفردية جنبًا إلى جنب مع البيانات السريرية.
مقدمة
تتناول مقدمة ورقة البحث الطبيعة المعقدة والمتعددة العوامل للسمنة، مع التأكيد على تداعياتها الصحية الكبيرة وضرورة وجود أساليب علاجية مخصصة. تسلط الضوء على العوامل المتنوعة التي تسهم في السمنة، بما في ذلك العناصر الوراثية والسلوكية والنفسية الاجتماعية، وتؤكد على أهمية فهم تاريخ الوزن الفردي من منظور دورة الحياة. يمكن أن يساعد هذا الفهم في توجيه التدخلات المستهدفة وتحسين نتائج العلاج، حيث أن التجارب الذاتية والسرديات حول زيادة الوزن تعتبر حاسمة في تشكيل مسارات الوزن الفردية.
تحدد الورقة فجوة في استراتيجيات إدارة السمنة الحالية، لا سيما نقص دمج تاريخ الوزن الشخصي في التقييمات الكمية، مما يعيق تصنيف المرضى الفعال وتخصيص العلاج. تقترح الاستفادة من التقدم في معالجة اللغة الطبيعية، وبشكل خاص نماذج اللغة الكبيرة (LLMs)، لتحليل السرديات المستمدة من المرضى حول أسباب زيادة الوزن. تهدف هذه الطريقة إلى سد الفجوة بين الرؤى النوعية والبيانات الكمية، مما يسهل تحديد ملفات تعريف المرضى المتميزة ويعزز قابلية تفسير نماذج تعلم الآلة في أبحاث السمنة. في النهاية، تسعى الدراسة إلى وصف أسباب زيادة الوزن المبلغ عنها من قبل المرضى ضمن إطار تدخلات فقدان الوزن متعددة التخصصات، بهدف تقديم رؤى قابلة للتنفيذ لإدارة السمنة الشخصية.
طرق البحث
شملت الدراسة نهجًا منهجيًا للتحقيق في سؤال البحث، معتمدةً على عينة محددة جيدًا من المشاركين. تم اختيار المشاركين بناءً على معايير إدراج واستبعاد محددة لضمان موثوقية وValidity النتائج. تضمنت الطرق المستخدمة تقنيات كمية ونوعية، مما سمح بتحليل شامل للبيانات المجمعة.
تم جمع البيانات من خلال وسائل متنوعة، بما في ذلك الاستطلاعات، التجارب، أو الدراسات الملاحظة، اعتمادًا على طبيعة البحث. تم إجراء تحليلات إحصائية لتقييم النتائج، مع تطبيق الاختبارات المناسبة لتحديد الأهمية والارتباط بين المتغيرات. تم تصميم المنهجية لتقليل التحيز وتعزيز إمكانية إعادة إنتاج النتائج، مما يساهم في قوة استنتاجات الدراسة.
نتائج
في هذه الدراسة، حققت مجموعة سكانية تتكون بشكل رئيسي من النساء (81.9%) بمتوسط عمر 46.2 عامًا ومؤشر كتلة جسم أساسي يبلغ 30.1 متوسط فقدان وزن بنسبة 9.2% على مدى حوالي 109 أيام. ومن الجدير بالذكر أن الرجال، والأفراد الأصغر سنًا، وأولئك الذين لديهم مؤشر كتلة جسم أساسي أقل شهدوا فقدان وزن أسرع. أسفر التصنيف الآلي للموضوعات للسرديات المتعلقة بأسباب زيادة الوزن، باستخدام محرك GPT-4.1، عن دقة عالية (0.906)، واسترجاع (0.897)، ودرجات F1 (0.897). تم العثور على ارتباطات كبيرة بين أسباب زيادة الوزن والعوامل الديموغرافية مثل العمر والجنس، بينما لم يظهر مؤشر كتلة الجسم الأساسي أي ارتباط ثابت. غالبًا ما أشار المرضى الأكبر سنًا إلى مشاكل عائلية وعوامل طبية، بينما أبلغ الأفراد الأصغر سنًا عن مشاكل صحة النساء والظروف الخارجية.
كشفت التحليلات أن زيادة الوزن المنسوبة إلى عدم النشاط البدني كانت مرتبطة إيجابيًا بتحقيق فقدان وزن بنسبة 10%، بينما أثرت المشاكل الطبية سلبًا على هذه النتيجة. حددت تحليلات التجميع سبعة أنماط سلوكية مميزة بناءً على أسباب زيادة الوزن المبلغ عنها، والعمر، والجنس، ومؤشر كتلة الجسم الأساسي، كل منها يظهر التزامًا فريدًا ومسارات فقدان وزن. أظهرت المجموعات المرتبطة بعدم النشاط البدني أعلى مستوى من الالتزام ونجاح فقدان الوزن، بينما واجهت تلك التي لديها سرديات غير واضحة أو أنماط أكل غير صحية معدلات انسحاب أعلى. بشكل عام، تؤكد النتائج على أهمية فهم تفاعل أسباب زيادة الوزن المختلفة وارتباطاتها الديموغرافية لتعزيز تدخلات فقدان الوزن الشخصية.
مناقشة
في هذه الدراسة، تم تحليل بيانات من مجموعتين كبيرتين، مستقبلتين، ومتعددتي المراكز (PROMET CONNECT وPROMET CONNECT GEN) لاستكشاف تعقيدات أسباب زيادة الوزن وتأثيراتها على علاج السمنة. استخدمت التدخلات نهجًا متعدد التخصصات، يتضمن نظامًا غذائيًا كيتونيًا منخفض الطاقة جدًا (VLEKT)، وتوصيات للنشاط البدني، وتوجيهات غذائية، مصممة خصيصًا لتناسب خصائص المرضى الفردية. شملت الدراسة 2,463 مريضًا قدموا سرديات حول الأسباب المدركة لزيادة وزنهم، والتي تم تحليلها باستخدام تقنيات معالجة اللغة الطبيعية، مع استخدام نموذج GPT-4.1 لتصنيف الموضوعات. تم تحديد اثني عشر موضوعًا متكررًا لأسباب زيادة الوزن، مما كشف عن ارتباطات كبيرة مع العوامل الديموغرافية ونتائج العلاج.
تؤكد النتائج على أهمية دمج السرديات المبلغ عنها من قبل المرضى في أطر إدارة السمنة. تم تحديد سبعة أنماط سلوكية مميزة من خلال تحليل التجميع، كل منها يتميز بملفات تعريف ديموغرافية وسريرية وأسباب زيادة وزن فريدة، والتي أظهرت استجابات علاجية مختلفة. تدعو الدراسة إلى استراتيجيات إدارة الوزن الشخصية التي تأخذ في الاعتبار هذه الأنماط، مع التأكيد على الحاجة إلى تدخلات مخصصة تعالج السرديات السببية المحددة. على سبيل المثال، قد يستفيد المرضى الذين ينسبون زيادة الوزن إلى مشاكل الصحة النفسية من دعم متكامل للصحة النفسية، بينما قد يحتاج أولئك الذين لديهم أنماط أكل غير صحية إلى تعليم غذائي مركز. بشكل عام، تسلط الأبحاث الضوء على إمكانية دمج الرؤى النوعية مع الأساليب الكمية لتعزيز فعالية علاج السمنة والتزام المرضى.
القيود
تقدم الدراسة نقاط قوة كبيرة، لا سيما تركيزها على أسباب زيادة الوزن المبلغ عنها من قبل المرضى، مما يلتقط التجارب الحياتية للأفراد الذين يعانون من السمنة ضمن مجموعة كبيرة ومتعددة الجنسيات. من خلال استخدام تقنيات تحليل متقدمة، بما في ذلك نماذج اللغة الكبيرة وتعلم الآلة غير المراقب، تحول البحث بفعالية البيانات السردية غير المنظمة إلى متغيرات منظمة، مما يعزز كل من الصرامة المنهجية والملاءمة الخارجية. لا تملأ هذه الطريقة المبتكرة فجوة في الأدبيات المتعلقة بتصنيف المرضى وتوقع فقدان الوزن فحسب، بل تترجم أيضًا النتائج إلى رؤى سريرية قابلة للتنفيذ، تربط ملفات تعريف المرضى المحددة بالسرديات بالتوصيات المخصصة لإدارة الوزن.
ومع ذلك، يجب الاعتراف بعدة قيود. تعتمد الدراسة على تحليلات ثانوية لمجموعات تم تصميمها لبرنامج تجاري لفقدان الوزن، مما قد لا يعزل بشكل كافٍ التأثير السببي للاعتبارات المتعلقة بزيادة الوزن على نتائج السمنة. السرديات المبلغ عنها ذاتيًا عرضة للتحيزات، وقد يكون سياق التدخل قد skewed responses نحو التفسيرات السلوكية، مما قد يتجاهل العوامل الهيكلية. بالإضافة إلى ذلك، قد يحد وجود النساء بشكل رئيسي في المجموعة، والمتابعة المحدودة على المدى الطويل، ونقص البيانات البيولوجية والاجتماعية الديموغرافية الشاملة من إمكانية تعميم النتائج. يجب أن تهدف الأبحاث المستقبلية إلى تطبيق هذا النهج المتمركز حول المريض في بيئات أكثر تنوعًا وتنظيمًا، واستكشاف دور الاعتبارات السببية لزيادة الوزن عبر سياقات وسكان مختلفين لتعزيز رعاية السمنة الشخصية.
DOI: https://doi.org/10.3389/fnut.2026.1777240
PMID: https://pubmed.ncbi.nlm.nih.gov/42058713
Publication Date: 2026-04-14
Author(s): Miksa Máté Henkrich et al.
Primary Topic: Obesity and Health Practices
Overview
The study investigates the role of patient-reported narratives on weight gain causes in understanding obesity and enhancing weight loss interventions. Utilizing a large language model (GPT4.1), the researchers automated the thematic labeling of narratives from 2,463 patients with overweight or obesity, who were followed during a multidisciplinary weight loss treatment. The narratives were categorized into 12 themes, and their associations with demographic factors (age, sex, BMI class) and treatment outcomes were analyzed using statistical methods and machine learning techniques, including a Random Forest classifier and unsupervised clustering.
Results indicated a mean weight loss of 9.2% over approximately 109 days, with the automated categorization achieving high precision (0.906) and recall (0.897). Notably, weight gain causes were linked to age and sex but not BMI class, with strong associations observed between individual causes. Factors such as disrupted schedules and mental health issues significantly increased the risk of unhealthy eating habits, while medical issues correlated with physical inactivity. The study identified seven distinct patient phenotypes based on weight gain narratives, which exhibited varying treatment responses. These findings underscore the potential of integrating patient-derived insights into obesity management, advocating for personalized interventions that consider individual narratives alongside clinical data.
Introduction
The introduction of the research paper addresses the complex and multifactorial nature of obesity, emphasizing its significant health implications and the necessity for personalized treatment approaches. It highlights the diverse factors contributing to obesity, including genetic, behavioral, and psychosocial elements, and underscores the importance of understanding individual weight histories from a life course perspective. This understanding can inform targeted interventions and improve treatment outcomes, as subjective experiences and narratives around weight gain are crucial in shaping individual weight trajectories.
The paper identifies a gap in current obesity management strategies, particularly the lack of integration of personal weight histories into quantitative assessments, which hampers effective patient stratification and treatment personalization. It proposes leveraging advancements in natural language processing, specifically large language models (LLMs), to analyze patient-derived narratives about weight gain causes. This approach aims to bridge the gap between qualitative insights and quantitative data, facilitating the identification of distinct patient profiles and enhancing the interpretability of machine learning models in obesity research. Ultimately, the study seeks to characterize patient-reported weight gain causes within a multidisciplinary weight loss intervention framework, aiming to provide actionable insights for personalized obesity management.
Methods
The study involved a systematic approach to investigate the research question, employing a well-defined sample of subjects. Participants were selected based on specific inclusion and exclusion criteria to ensure the reliability and validity of the findings. The methods utilized included both quantitative and qualitative techniques, allowing for a comprehensive analysis of the data collected.
Data collection was conducted through various means, including surveys, experiments, or observational studies, depending on the nature of the research. Statistical analyses were performed to evaluate the results, with appropriate tests applied to determine significance and correlation among variables. The methodology was designed to minimize bias and enhance the reproducibility of the results, thereby contributing to the robustness of the study’s conclusions.
Results
In this study, a predominantly female population (81.9%) with a mean age of 46.2 years and a baseline BMI of 30.1 achieved an average weight loss of 9.2% over approximately 109 days. Notably, men, younger individuals, and those with lower baseline BMI experienced faster weight loss. The automated thematic labeling of narratives regarding weight gain causes, utilizing the GPT-4.1 engine, yielded high precision (0.906), recall (0.897), and F1 scores (0.897). Significant associations were found between weight gain causes and demographic factors such as age and sex, while baseline BMI showed no consistent correlation. Older patients frequently cited family issues and medical factors, whereas younger individuals often reported women’s health issues and external circumstances.
The analysis revealed that weight gain attributed to physical inactivity was positively associated with achieving a 10% weight loss, while medical issues negatively impacted this outcome. Clustering analyses identified seven distinct behavioral phenotypes based on reported weight gain causes, age, sex, and baseline BMI, each exhibiting unique treatment adherence and weight loss trajectories. Clusters linked to physical inactivity demonstrated the highest adherence and weight loss success, whereas those with vague narratives or unhealthy eating patterns faced higher dropout rates. Overall, the findings underscore the importance of understanding the interplay of various weight gain causes and their demographic associations to enhance personalized weight loss interventions.
Discussion
In this study, data from two large, prospective, multi-centric cohorts (PROMET CONNECT and PROMET CONNECT GEN) were analyzed to explore the complexities of weight gain causes and their implications for obesity treatment. The intervention employed a multidisciplinary, stepped lifestyle approach, including a very low-energy ketogenic diet (VLEKT), physical activity recommendations, and nutritional coaching, tailored to individual patient characteristics. The study involved 2,463 patients who provided narratives on perceived causes of their weight gain, which were analyzed using natural language processing techniques, specifically employing the GPT-4.1 model for thematic labeling. Twelve recurring themes of weight gain causes were identified, revealing significant associations with demographic factors and treatment outcomes.
The findings underscore the importance of integrating patient-reported narratives into obesity management frameworks. Seven distinct behavioral phenotypes were identified through clustering analysis, each characterized by unique demographic, clinical, and weight gain cause profiles, which demonstrated differential treatment responses. The study advocates for personalized weight management strategies that consider these phenotypes, emphasizing the need for tailored interventions that address specific causal narratives. For example, patients attributing weight gain to mental health issues may benefit from integrated mental health support, while those with unhealthy eating patterns might require focused nutritional education. Overall, the research highlights the potential of combining qualitative insights with quantitative methods to enhance obesity treatment efficacy and patient adherence.
Limitations
The study presents significant strengths, notably its focus on patient-reported causes of weight gain, which captures the lived experiences of individuals with obesity within a large, multinational cohort. By utilizing advanced analytical techniques, including large language models and unsupervised machine learning, the research effectively transforms unstructured narrative data into structured variables, enhancing both methodological rigor and external relevance. This innovative approach not only fills a gap in the literature regarding patient phenotyping and weight loss prediction but also translates findings into actionable clinical insights, linking narrative-defined patient profiles to tailored recommendations for weight management.
However, several limitations must be acknowledged. The research is based on secondary analyses of cohorts designed for a commercial weight loss program, which may not adequately isolate the causal impact of weight gain attributions on obesity outcomes. Self-reported narratives are susceptible to biases, and the context of the intervention may have skewed responses towards behavioral explanations, potentially overlooking structural factors. Additionally, the predominance of women in the cohort, limited long-term follow-up, and lack of comprehensive biological and sociodemographic data may restrict the generalizability of the findings. Future research should aim to apply this patient-centered approach in more diverse and structured settings, exploring the role of weight gain causal attributions across different contexts and populations to enhance personalized obesity care.