Một nghiên cứu gần đây đã chỉ ra rằng việc sử dụng thuốc chống béo phì (AOMs) có thể dẫn đến giảm cân đáng kể trong thời gian điều trị. Tuy nhiên, tình trạng tăng cân trở lại sau khi ngừng sử dụng AOMs vẫn còn là một vấn đề được quan tâm rộng rãi. Để đánh giá tác động lâu dài của AOMs lên cân nặng và theo dõi sự thay đổi cân nặng sau khi ngừng điều trị, nghiên cứu này đã tiến hành phân tích dữ liệu từ 11 nghiên cứu lâm sàng ngẫu nhiên có đối chứng (RCTs).

Kết quả phân tích cho thấy rằng, so với nhóm đối chứng, AOMs vẫn có tác dụng giảm cân 4 tuần sau khi ngừng điều trị. Cụ thể, sự chênh lệch về cân nặng giữa nhóm sử dụng AOMs và nhóm đối chứng là -0,32 kg, với khoảng tin cậy 95% là -3,60 đến 2,97, và giá trị P là 0,85. Đồng thời, chỉ số I2 là 83%, cho thấy có sự heterogeneity giữa các nghiên cứu. Tuy nhiên, bắt đầu từ tuần thứ 8 trở đi, AOMs có liên quan đến tình trạng tăng cân đáng kể so với nhóm đối chứng. Sự chênh lệch về cân nặng giữa hai nhóm là 1,50 kg, với khoảng tin cậy 95% là 1,32 đến 1,68, và giá trị P rất nhỏ, cho thấy sự khác biệt này có ý nghĩa thống kê.

Nhìn chung, nghiên cứu này cho thấy rằng mặc dù AOMs có thể dẫn đến giảm cân đáng kể trong thời gian điều trị, nhưng tình trạng tăng cân trở lại sau khi ngừng sử dụng AOMs là một vấn đề cần được quan tâm. Các bác sĩ và bệnh nhân cần cân nhắc kỹ lưỡng về lợi ích và rủi ro của AOMs, cũng như theo dõi chặt chẽ sự thay đổi cân nặng của bệnh nhân sau khi ngừng điều trị.

Để có cái nhìn sâu hơn về vấn đề này, tham khảo thêm các nghiên cứu lâm sàng khác và các bài báo y khoa liên quan đến thuốc chống béo phì và tác động của chúng lên cân nặng.

Các nhà nghiên cứu tại Đại học Tokyo đã áp dụng một hình thức trí tuệ nhân tạo tiên tiến, gọi là mạng lưới thần kinh Bayes, để phân tích dữ liệu về các vi khuẩn đường ruột và khám phá những hiểu biết sâu sắc về sức khỏe con người. Phương pháp này cho phép họ phát hiện ra các mô hình và mối liên hệ mà các kỹ thuật phân tích truyền thống không thể phát hiện một cách đáng tin cậy.

Vi khuẩn đường ruột đóng vai trò quan trọng trong một loạt các tình trạng sức khỏe. Sự đa dạng của chúng và sự phức tạp của các tương tác với cả hóa học của cơ thể và với nhau làm cho chúng rất khó nghiên cứu. Cơ thể con người chứa khoảng 30 đến 40 nghìn tỷ tế bào, nhưng đường ruột chứa khoảng 100 nghìn tỷ vi khuẩn đường ruột. Điều này có nghĩa là các tế bào vi khuẩn trong cơ thể chúng ta nhiều hơn số lượng tế bào của chính chúng ta.

Mặc dù vi khuẩn đường ruột thường được liên kết với tiêu hóa, chúng cũng ảnh hưởng đến một loạt các chức năng cơ thể. Chúng tồn tại trong sự đa dạng rộng lớn và tạo ra hoặc sửa đổi nhiều hợp chất hóa học được gọi là chất chuyển hóa. Các chất chuyển hóa này hoạt động như các phân tử tín hiệu, đi qua cơ thể và ảnh hưởng đến các hệ thống như miễn dịch, trao đổi chất, hoạt động não và tâm trạng.

Tuy nhiên, vẫn còn thách thức lớn trong việc hiểu rõ mối quan hệ giữa vi khuẩn đường ruột và sức khỏe con người. Các nhà nghiên cứu đang chỉ bắt đầu hiểu được loại vi khuẩn nào tạo ra chất chuyển hóa của con người và làm thế nào các mối quan hệ này thay đổi trong các bệnh khác nhau. Bằng cách lập bản đồ chính xác các mối quan hệ giữa vi khuẩn và hóa chất, các nhà nghiên cứu có thể phát triển các phương pháp điều trị cá nhân hóa.

Để giải quyết thách thức này, các nhà nghiên cứu đã áp dụng công cụ trí tuệ nhân tạo tiên tiến, hệ thống VBayesMM, để phân tích dữ liệu. Hệ thống này tự động phân biệt các yếu tố quan trọng ảnh hưởng đến chất chuyển hóa từ số lượng lớn các vi khuẩn ít liên quan, đồng thời thừa nhận sự không chắc chắn về các mối quan hệ dự đoán.

Khi được thử nghiệm trên dữ liệu thực từ các nghiên cứu về rối loạn giấc ngủ, béo phì và ung thư, phương pháp này đã liên tục vượt trội so với các phương pháp hiện có và xác định các gia đình vi khuẩn cụ thể phù hợp với các quá trình sinh học đã biết. Điều này mang lại sự tự tin rằng hệ thống này phát hiện ra các mối quan hệ sinh học thực sự chứ không phải là các mẫu thống kê không có ý nghĩa.

Các hạn chế hiện tại bao gồm việc hệ thống có lợi khi có nhiều dữ liệu về vi khuẩn đường ruột hơn là về các chất chuyển hóa mà chúng tạo ra. Khi dữ liệu về vi khuẩn không đủ, độ chính xác giảm. Ngoài ra, VBayesMM giả định rằng các vi khuẩn hoạt động độc lập, nhưng trên thực tế, chúng tương tác theo nhiều cách phức tạp.

Trong tương lai, các nhà nghiên cứu có kế hoạch làm việc với các tập dữ liệu hóa học toàn diện hơn để bắt toàn bộ phạm vi sản phẩm của vi khuẩn, mặc dù điều này tạo ra thách thức mới trong việc xác định hóa chất đến từ đâu. Họ cũng nhằm mục đích làm cho VBayesMM mạnh mẽ hơn khi phân tích dân số bệnh nhân đa dạng, kết hợp mối quan hệ ‘cây gia đình’ của vi khuẩn để đưa ra dự đoán tốt hơn và giảm thời gian tính toán cần thiết cho phân tích.

Đại học Tokyo https://www.u-tokyo.ac.jp/