Targeting Exercise Interventions to Patients With Cancer in Need: An Individual Patient Data Meta-Analysis
Notice bibliographique
Résumé
Background: Exercise effects in cancer patients often appear modest, possibly because interventions rarely target patients most in need. This study investigated the moderator effects of baseline values on the exercise outcomes of fatigue, aerobic fitness, muscle strength, quality of life (QoL), and self-reported physical function (PF) in cancer patients during and post-treatment. Methods: Individual patient data from 34 randomized exercise trials (n = 4519) were pooled. Linear mixed-effect models were used to study moderator effects of baseline values on exercise intervention outcomes and to determine whether these moderator effects differed by intervention timing (during vs post-treatment). All statistical tests were two-sided. Results: Moderator effects of baseline fatigue and PF were consistent across intervention timing, with greater effects in patients with worse fatigue (Pinteraction = .05) and worse PF (Pinteraction = .003). Moderator effects of baseline aerobic fitness, muscle strength, and QoL differed by intervention timing. During treatment, effects on aerobic fitness were greater for patients with better baseline aerobic fitness (Pinteraction = .002). Post-treatment, effects on upper (Pinteraction < .001) and lower (Pinteraction = .01) body muscle strength and QoL (Pinteraction < .001) were greater in patients with worse baseline values. Conclusion: Although exercise should be encouraged for most cancer patients during and post-treatments, targeting specific subgroups may be especially beneficial and cost effective. For fatigue and PF, interventions during and post-treatment should target patients with high fatigue and low PF. During treatment, patients experience benefit for muscle strength and QoL regardless of baseline values; however, only patients with low baseline values benefit post-treatment. For aerobic fitness, patients with low baseline values do not appear to benefit from exercise during treatment.
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 | 0,031 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,054 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».