Exercise is an effective treatment modality for reducing cancer-related fatigue and improving physical capacity in cancer patients and survivors: a meta-analysis
Notice bibliographique
Résumé
The use of exercise interventions to manage cancer-related fatigue (CRF) is a rapidly developing field of study. However, results are inconsistent and difficult to interpret across the literature, making it difficult to draw accurate conclusions regarding the true effectiveness of exercise interventions for CRF management. The aims of this study were to apply a meta-analysis to quantitatively assess the effects of exercise intervention strategies on CRF, and to elucidate appropriate exercise prescription guidelines. A systematic search of electronic databases and relevant journals and articles was conducted. Studies were eligible if subjects were over the age of 18 years, if they had been given a diagnosis of or had been treated for cancer, if exercise was used to treat CRF as a primary or secondary endpoint, and if the effects of the intervention were evaluated quantitatively and presented adequate statistical data for analysis. A total of 16 studies, representing 1426 participants (exercise, 759; control, 667) were included in a meta-analysis using a fixed-effects model. The standardized mean difference effect size (SMD) was used to test the effect of exercise on CRF between experimental and control groups. The results indicate a small but significant effect size in favour of the use of exercise interventions for reducing CRF (SMD 0.26, p < 0.001). Furthermore, aerobic exercise programs caused a significant reduction in CRF (SMD 0.21, p < 0.001) and overall, exercise was able to significantly improve aerobic and musculoskeletal fitness compared with control groups (p < 0.01). Further investigation is still required to determine the effects of exercise on potential underlying mechanisms related to the pathophysiology of CRF.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».