Fatigue and its relationship with physical activity, age, and body composition in adults with cerebral palsy
Notice bibliographique
Résumé
AIM: The objectives of this exploratory study were (1) to describe the experience of fatigue in adults with cerebral palsy (CP) inclusive of all levels of the Gross Motor Function Classification System (GMFCS); and (2) to determine if physical activity level, sedentary time, age, or body composition can predict fatigue in adults with CP. METHOD: An observational study was conducted in an outpatient setting in Ontario, Canada. Participants included adults with CP (n=41; GMFCS levels I-V; mean age 33.7y, standard deviation [SD] 12.3y). Fatigue was measured using the Fatigue Impact and Severity Self-Assessment (FISSA) questionnaire. Habitual physical activity and sedentary time were measured using accelerometry. Body mass index (BMI) and waist circumference were reported as measures of body composition. RESULTS: The mean (SD) FISSA score for all participants was 84.5 (30.6), ranging from 54.0 (18.3) (GMFCS level I) to 93.6 (21.9) (GMFCS level V). Significant positive relationships (regression coefficient β [95% confidence intervals]) were observed between BMI and FISSA scores (1.9 [0.73-3.1]), waist circumference and FISSA scores (0.71 [0.19-1.2]), and age and FISSA scores (0.99 [0.26-1.7]). A significant negative relationship was observed between moderate-to-vigorous physical activity (MVPA) per hour and FISSA scores -6.4 [-12 to -0.83]). Backwards stepwise regression analysis revealed BMI (1.8 [0.61-2.9]) and MVPA per hour (-5.4 [-10 to -0.30]) were significant predictors of FISSA scores. INTERPRETATION: Health care providers should consider the importance of weight management and physical activity to prevent and treat fatigue in this population.
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) | 0,000 | 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) | 0,000 | 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 ».