Which cancer survivors are at risk for a physically inactive and sedentary lifestyle? Results from pooled accelerometer data of 1447 cancer survivors
Notice bibliographique
Résumé
BACKGROUND: Physical activity has beneficial effects on the health of cancer survivors. We aimed to investigate accelerometer-assessed physical activity and sedentary time in cancer survivors, and describe activity profiles. Additionally, we identify demographic and clinical correlates of physical activity, sedentary time and activity profiles. METHODS: Accelerometer, questionnaire and clinical data from eight studies conducted in four countries (n = 1447) were pooled. We calculated sedentary time and time spent in physical activity at various intensities using Freedson cut-points. We used latent profile analysis to identify activity profiles, and multilevel linear regression analyses to identify demographic and clinical variables associated with accelerometer-assessed moderate to vigorous physical activity (MVPA), sedentary time, the highly active and highly sedentary profile, adjusting for confounders identified using a directed acyclic graph. RESULTS: Participants spent on average 26 min (3%) in MVPA and 568 min (66%) sedentary per day. We identified six activity profiles. Older participants, smokers and participants with obesity had significantly lower MVPA and higher sedentary time. Furthermore, men had significantly higher MVPA and sedentary time than women and participants who reported less fatigue had higher MVPA time. The highly active profile included survivors with high education level and normal body mass index. Haematological cancer survivors were less likely to have a highly active profile compared to breast cancer survivors. The highly sedentary profile included older participants, males, participants who were not married, obese, smokers, and those < 12 months after diagnosis. CONCLUSIONS: Cancer survivors engage in few minutes of MVPA and spend a large proportion of their day sedentary. Correlates of MVPA, sedentary time and activity profiles can be used to identify cancer survivors at risk for a sedentary and inactive lifestyle.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».