Improving lower limb function in patients with major muscular loss or denervation following resection of a sarcoma
Notice bibliographique
Résumé
[Truncated abstract] Lower limb soft tissue sarcomas are rare malignant tumours that often occupy large portions of muscular tissue, peripheral nerves or bone. Major muscle and peripheral nerve resections are now less likely to result in limb amputation due to the use of neoadjuvant and/or adjuvant therapy, and the ability to obtain a wide surgical margin, allowing limb salvage surgery (LSS) to be the preferred treatment modality. However, LSS may still leave patients with functional disabilities which may cause persistent emotional and social suffering. Numerous randomised studies have investigated the effects of exercise interventions in cancer survivors, revealing aerobic, resistance, and their combination to be safe, feasible and beneficial interventions. Currently, no researchers have investigated the effects of an exercise rehabilitation programme on the restoration of lower limb function following major muscle loss or denervation due to sarcoma resection; and no recommendations have been made for exercising patients with damage to their sciatic or femoral nerve. In this study we evaluated the effects of a 12 week supervised exercise programme on muscle strength, muscle mobility, functional movement, quality of life (QOL) and ability to perform activities of daily living. Nine patients (5 female, 4 male) with damage to their sciatic or femoral nerve, or respective areas of muscle innervation following LSS, participated in the study. Patients attended the clinic three times per week for 12 weeks of supervised exercise rehabilitation which comprised of aerobic, resistance and hydrotherapy training. Patients’ physical and mental status in the form of the Short Form 36 (SF-36), Toronto Extremity Salvage Score (TESS), High Level Mobility Assessment Tool (HiMAT), strength (isokinetic and/or 3RM), joint range of motion (ROM), six minute walk test (6MWT) and timed up and go (TUG) were collected twice at baseline, then at 6 and 12 weeks into the intervention.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».