Exercise behavior in cancer survivors and associated factors
Notice bibliographique
Résumé
INTRODUCTION: Physical activity is an important component in promoting a healthy life style in cancer survivors. We estimated the proportion of cancer survivors who are physically active, defined as meeting public health exercise guidelines, and changes in level of physical activity (LPA) from before diagnosis to after treatment. We also identified medical and demographic factors associated with LPA and its changes. METHODS: A cross-sectional survey assessing LPA before diagnosis and after treatment, together with demographic and medical variables in 975 cancer survivors. RESULTS: Forty-five percent of the cancer survivors were physically active after treatment. Before diagnosis and after treatment 33% were active, whereas 40% were inactive at both time points. Fifteen percent were active before diagnosis but inactive after treatment, and 12% were inactive before diagnosis but active after treatment. Increasing age and weight, low education, comorbidity and smoking were associated with physical inactivity after treatment. Change in LPA from active to inactive was associated with comorbidity, distant disease and smoking, while a change from inactive to active was associated with high education. CONCLUSIONS: Less than half of cancer survivors were physically active. Almost three quarters of cancer survivors remained stable in LPA. The remaining quarter changed LPA, with slightly more cancer survivors becoming inactive than active. Age, weight, education, comorbidity, disease stage and smoking can identify survivors at risk of physical inactivity after treatment. IMPLICATIONS FOR CANCER SURVIVORS: Recognizable variables can be used to identify physically inactive cancer survivors after treatment and give these survivors support to start or maintain LPA.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».