Effects of high-intensity interval training on fatigue and quality of life in testicular cancer survivors
Notice bibliographique
Résumé
BACKGROUND: Testicular cancer survivors (TCS) are at increased risk of cancer-related fatigue (CRF), psychosocial impairment, and poor mental health-related quality of life (HRQoL). Here, we examine the effects of high-intensity interval training (HIIT) on patient-reported outcomes (PROs) in TCS. Secondarily, we explore cardiorespiratory fitness as a mediator of intervention effects and select baseline characteristics as moderators of intervention effects. METHODS: TCS (n = 63) were randomly assigned to 12 weeks of supervised HIIT or usual care (UC). PROs included CRF, depression, anxiety, stress, self-esteem, sleep quality, and HRQoL assessed at baseline, post-intervention, and 3-month follow-up. RESULTS: TCS (median 7 years postdiagnosis) completed 99% of training sessions and achieved 98% of target training intensity. ANCOVA revealed that, compared to UC, HIIT significantly improved post-intervention CRF (p = 0.003), self-esteem (p = 0.029), and multiple HRQoL domains (ps ≤ 0.05). Effects on CRF (p = 0.031) and vitality (p = 0.015) persisted at 3-month follow-up. Cardiorespiratory fitness changes mediated CRF and HRQoL improvements. CRF effects were larger for TCS with an inactive lifestyle, lower fitness, higher testosterone, and clinical fatigue at baseline. CONCLUSIONS: HIIT significantly improves CRF and HRQoL in TCS. Mediation by cardiorespiratory fitness and moderation by clinical characteristics suggests opportunities for targeted exercise interventions to optimise PROs in TCS.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».