MétaCan
Menu
← Retour à la cohorte
Enregistrement W2231859057 · doi:10.1200/jco.2006.24.18_suppl.17047

Effects of presurgical exercise training on exercise capacity in operable lung cancer: A pilot study

2006· article· en· W2231859057 sur OpenAlexaff
Carolyn J. Peddle‐McIntyre, Neil D. Eves, Kerry S. Courneya, Mark J. Haykowsky, John R. Mackey, Anil A. Joy, Tony Reiman, Timothy W. Winton, Lee W. Jones

Notice bibliographique

RevueJournal of Clinical Oncology · 2006
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of CalgaryUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicineLung cancerVO2 maxPhysical therapySurgeryInternal medicineHeart rateBlood pressure

Résumé

récupéré en direct d'OpenAlex

17047 Background: Exercise capacity is a strong independent predictor of surgical outcome in patients with operable NSCLC and thus an established clinical tool to assess preoperative eligibility. The purpose of this study was to determine the effects of preoperative exercise training on exercise capacity in operable lung cancer. Methods: Using a single-group design, participants with suspected operable lung cancer were screened for eligibility at the time of diagnosis. Twenty-six patients were recruited and offered exercise training until surgical resection. Exercise training consisted of 5 endurance cycle ergometry sessions per week at 60 to 100% of patient’s baseline exercise capacity. Patients underwent cardiopulmonary exercise testing (CPET) including peak oxygen consumption (VO2peak), six minute walk distance (6MWD), and a pulmonary function test at baseline, immediately prior and 30 days post surgical resection. Results: The mean time from diagnosis to resection was 67 ± 27 days. During this time, 6 patients were deemed ineligible and were removed from the analysis. Of the remaining 20 patients, 18 completed exercise training and 13 performed CPET post resection. The overall adherence rate was 72% (range 0%–100%) with patients completing a mean of 30 exercise sessions (range 0–75). Intention-to-treat analysis indicated that VO2peak and 6MWD increased by 2.3 mL · kg−1 · min−1 [95% CI, 1.0 to 3.7; p = .002] and 40m [95% CI, 16 to 64; p=.003] respectively, from baseline to presurgery but decreased from pre to post resection [VO2peak, −2.7 mL · kg−1 · min−1, 95% CI, −3.9 to −1.6; p < .001; 6 MWD, −44 m, 95% CI, −94 to 6.4; p = .082]. There were no differences between baseline and postsurgical exercise capacity. Per protocol analyses indicated that patients who achieved acceptable exercise adherence (≥80% of prescribed sessions, n = 12) increased VO2peak and 6MWD by 3.2 mL · kg−1 · min−1 [95% CI, 1.1 to 5.4; p = .005] and 49 meters [95% CI, 12 to 85; p = .013], respectively. Conclusion: Preoperative exercise training is associated with improvements in exercise capacity in patients with operable NSCLC, particularly if acceptable adherence is achieved. This benefit may have important implications for surgical outcome and postsurgical recovery in this population. No significant financial relationships to disclose.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,094
Tête enseignante GPT0,444
Écart entre enseignants0,350 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→