Physical Activity and Cancer Outcomes: A Precision Medicine Approach
Notice bibliographique
Résumé
Abstract There is increasing interest in applying a precision medicine approach to understanding exercise as a potential treatment for cancer. We aimed to inform this new approach by appraising epidemiologic literature relating postdiagnosis physical activity to cancer outcomes overall and by molecular/genetic subgroups. Across 26 studies of breast, colorectal, and prostate cancer patients, a 37% reduction was seen in risk of cancer-specific mortality, comparing the most versus the least active patients (pooled relative risk = 0.63; 95% confidence interval: 0.54–0.73). Risks of recurrence or recurrence/cancer-specific death (combined outcome) were also reduced based on fewer studies. We identified ten studies of associations between physical activity and cancer outcomes by molecular or genetic markers. Two studies showed statistically significant risk reductions in breast cancer mortality/recurrence for the most (versus least) physically active estrogen receptor–positive/progesterone receptor–positive (ER+/PR+) patients, while others showed risk reductions among ER−PR− and triple-negative patients. In colorectal cancer, four studies showed statistically significant risk reductions in cancer-specific mortality for patients with high (versus low) physical activity and P21 expression, P27 expression, nuclear CTNNB1−, PTGS2 (COX-2)+, or IRS1 low/negative status. One prostate cancer study showed effect modification by Gleason score. As a means to enhance this evidence, future observational studies are needed that will measure physical activity objectively before and after diagnosis, use standardized definitions for outcomes, control for competing risks, assess nonlinear dose–response relations, and consider reverse causality. Ultimately, randomized controlled trials with clinical cancer outcomes and a correlative component will provide the best evidence of causality, relating exercise to cancer outcomes, overall and for molecular and genetic subgroups. Clin Cancer Res; 22(19); 4766–75. ©2016 AACR.
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 | 0,099 | 0,150 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,004 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».