Les réseaux cérébraux peuvent jouer un rôle dans la réussite de la perte de poids

Lorsqu’il s’agit de perdre du poids, le vieil adage « tout est dans la tête » pourrait être vrai.

Des scientifiques de la faculté de médecine de l’université de Wake Forest ont montré que deux réseaux spécifiques du cerveau peuvent fortement influencer la réussite d’une personne lorsqu’elle essaie de perdre du poids.

Selon le chercheur principal de l’étude, le Dr Jonathan Burdette, professeur de radiologie à la faculté de médecine de l’université de Wake Forest, ces résultats, publiés dans l’édition d’avril de la revue Obesity, pourraient, à terme, contribuer à la mise au point de traitements comportementaux personnalisés ciblant des circuits cérébraux spécifiques afin de favoriser la perte de poids.

L’objectif de cette étude était de déterminer si le degré de perte de poids après six mois d’une intervention basée sur le comportement était lié à la connectivité au sein de deux réseaux fonctionnels (FN), FN1 et FN2, dans un groupe de personnes âgées souffrant d’obésité. Les réseaux fonctionnels du cerveau sont des zones du cerveau qui travaillent ensemble de manière synchronisée.

Les FN1 et FN2 ont été identifiés pour la première fois par Burdette et son équipe en 2018 comme étant impliqués dans la réussite de la perte de poids.

Dans cette étude, 71 participants inscrits à un essai clinique randomisé de perte de poids ont été scannés au début de l’essai avec une imagerie par résonance magnétique fonctionnelle pour déterminer si FN1 et FN2 seraient prédictifs de la perte de poids et si oui comment. Les participants ont été scannés à l’état de repos, puis une nouvelle fois après avoir reçu un signal alimentaire. À la fin de l’essai de six mois, les données ont ensuite été analysées pour comparer les relations entre les réseaux de base et le changement de poids des participants.

L’équipe de Burdette a constaté qu’à l’état de repos, la relation de la fonction cérébrale dans le FN1, qui implique les capacités sensorielles et motrices, était significativement associée à la perte de poids à six mois. Pendant l’état d’appétit, la perte de poids à six mois était significativement associée au FN2, qui comprend l’autorégulation et la capacité à focaliser l’attention.

Deux réseaux cérébraux distincts sont liés au degré de réussite de la perte de poids : dans l’état de repos, il y a un biais de motivation sensori-motrice pour poursuivre la nourriture, tandis que lors du traitement des indices alimentaires, il y a un déficit dans le réseau de contrôle exécutif et d’attention.

« Ces résultats montrent que les propriétés du réseau cérébral des personnes qui ont moins bien réussi à perdre du poids sont différentes de celles des personnes qui ont mieux réussi », a déclaré Burdette. « Certaines personnes ont un biais sensorimoteur inconscient plus fort pour rechercher de la nourriture, tandis que d’autres semblent en avoir moins. Dans une société où la nourriture est abondante et les signaux alimentaires omniprésents, cette information peut contribuer à expliquer pourquoi certaines personnes ont tant de mal à perdre leur excès de poids et à le maintenir. »

Il s’agit de la première étude à établir un lien entre les concepts clés qui ont été identifiés comme importants pour comprendre l’obésité et la suralimentation et le succès de la perte de poids comportementale chez les adultes âgés souffrant d’obésité.

« Nos résultats apportent un éclairage supplémentaire sur les circuits fonctionnels complexes du cerveau, de sorte que nous avons maintenant une compréhension mécaniste des raisons pour lesquelles les gens ne perdent pas de poids », a déclaré Burdette. « En théorie, si l’on en sait plus sur les pulsions et le contrôle, nous serons en mesure d’adapter les thérapies à un individu, au lieu de traiter tout le monde de la même façon. »

Source :https://newsroom.wakehealth.edu/news-releases/2022/05/brain-networks-can-play-role-in-weight-loss-success

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *