Top 10 Research Questions Related to Physical Activity and Cancer Survivorship
Notice bibliographique
Résumé
In the United States, there are more than 14 million cancer survivors. Many of these survivors have been treated with multimodal therapy including surgery, radiation therapy, chemotherapy, and targeted therapies. These therapies improve survival; however, they also cause acute and chronic side effects that can undermine health and quality of life. Physical activity (PA) and cancer survivorship is a rapidly growing field of inquiry that studies the role of PA in people diagnosed with cancer. In this article, we propose the following top 10 research questions for the field of PA and cancer survivorship: (1) Does PA reduce the risk for cancer recurrence and/or improve survival? (2) Does PA influence cancer treatment decisions, completion rates, and/or response? (3) What is the optimal PA prescription for cancer survivors? (4) What is the role of sedentary behavior in cancer survivorship? (5) What are the most effective PA behavior change interventions for cancer survivors? (6) Which cancer variables modify the PA response? (7) What are the safety issues concerning PA in cancer survivors? (8) Which specific cancer symptoms can be managed by PA? (9) Is there a role for PA in advanced cancer? And (10) How do we translate PA research into clinical and community oncology practice? The answers to these questions are critical not only for advancing the field of PA and cancer survivorship, but for improving the lives of the millions of cancer survivors every year who are diagnosed with cancer, going through treatments, recovering after treatments, or coping with advanced disease.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».