The Role of Exercises in Osteoporotic Fracture Prevention and Current Care Gaps. Where Are We Now? Recent Updates
Notice bibliographique
Résumé
INTRODUCTION: The primary non-pharmacological management recommended for patients with osteoporosis (OP) is exercise, but whether it should be high-force, resistive, or other means can be obscure. OBJECTIVE: To describe the role of exercises in osteoporotic fracture prevention, identify effects and potential risks of high-force exercises, detect the optimal exercises to combat OP, and explore the challenges that might arise from interventions. METHODS: A search on MEDLINE and Cochrane databases was conducted on the role of exercises in preventing osteoporotic fractures from 1989 onwards, leading to 40 results, including op-ed pieces, qualitative studies, randomized clinical trials (RCTs) (n=5), and RCT follow-up studies (n=1). Articles deemed relevant to the objectives were analyzed and summarized. Data on effects of vitamin D and calcium supplementation were later gathered from different sources as well. RESULTS: High-intensity, resistive strength training provided the maximum benefit in increasing bone mineral density (BMD) levels, muscle mass, and reduction in fractures, while posture and balance exercises only improved mobility. High-force exercises did not increase fractures and were associated with increases in BMD. Interventions including exercises, vitamin D, and calcium intake had limited effect when used as single interventions, while vitamin D and calcium may potentially cause increases of cardiovascular events. CONCLUSION: A long-term regular exercise program designed to improve postural stability, mobility, and mechanical efficiency, alongside an increased vitamin D and dietary calcium intake, is most effective in preventing OP and reducing osteoporotic fractures.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».