MétaCan
Menu
Retour à la cohorte
Enregistrement W2106011651 · doi:10.3747/co.19.912

Exercise in Clinical Cancer Care: A Call to Action and Program Development Description

2012· article· en· W2106011651 sur OpenAlexaffvenueabout
Daniel Santa Mina, Shabbir M.H. Alibhai, A. Matthew, Crissa L. Guglietti, Julie R. Steele, John Trachtenberg, Paul G. Ritvo

Notice bibliographique

RevueCurrent Oncology · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensUniversity Health NetworkPrincess Margaret Cancer CentreYork University
Organismes subventionnairesnon disponible
Mots-clésMedicineCall to actionCancerExperiential learningAction (physics)Physical therapyPsychologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

A large and convincing body of evidence demonstrates the benefits of exercise for cancer survivors during and after treatment. Based on that literature, more cancer survivors should be offered exercise support and programming. Unfortunately, exercise programs remain an exception rather than the norm in cancer care. Not surprisingly, common barriers to the implementation of exercise programs in oncology include limited resources, expertise, and awareness of benefits on the part of patients and clinicians. To improve the accessibility and cost-effectiveness of cancer exercise programs, one proposed strategy is to combine the resources of hospital and community-based programs with home-based exercise instruction. The present paper highlights current literature regarding exercise programming for cancer survivors, describes the development of an exercise program for cancer patients in Toronto, Canada, and offers experiential insights into the integration of exercise into oncologic care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,646
Score d'incertitude au seuil0,332

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,254
Tête enseignante GPT0,513
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations82
Publié2012
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCurrent OncologyMême sujetCancer survivorship and careTravaux en français237 207