Moderators of Exercise Effects on Cancer-related Fatigue: A Meta-analysis of Individual Patient Data
Notice bibliographique
Résumé
PURPOSE: Fatigue is a common and potentially disabling symptom in patients with cancer. It can often be effectively reduced by exercise. Yet, effects of exercise interventions might differ across subgroups. We conducted a meta-analysis using individual patient data of randomized controlled trials (RCT) to investigate moderators of exercise intervention effects on cancer-related fatigue. METHODS: We used individual patient data from 31 exercise RCT worldwide, representing 4366 patients, of whom 3846 had complete fatigue data. We performed a one-step individual patient data meta-analysis, using linear mixed-effect models to analyze the effects of exercise interventions on fatigue (z score) and to identify demographic, clinical, intervention- and exercise-related moderators. Models were adjusted for baseline fatigue and included a random intercept on study level to account for clustering of patients within studies. We identified potential moderators by testing their interaction with group allocation, using a likelihood ratio test. RESULTS: Exercise interventions had statistically significant beneficial effects on fatigue (β = -0.17; 95% confidence interval [CI], -0.22 to -0.12). There was no evidence of moderation by demographic or clinical characteristics. Supervised exercise interventions had significantly larger effects on fatigue than unsupervised exercise interventions (βdifference = -0.18; 95% CI -0.28 to -0.08). Supervised interventions with a duration ≤12 wk showed larger effects on fatigue (β = -0.29; 95% CI, -0.39 to -0.20) than supervised interventions with a longer duration. CONCLUSIONS: In this individual patient data meta-analysis, we found statistically significant beneficial effects of exercise interventions on fatigue, irrespective of demographic and clinical characteristics. These findings support a role for exercise, preferably supervised exercise interventions, in clinical practice. Reasons for differential effects in duration require further exploration.
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 | 0,043 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,067 |
| Bibliométrie | 0,005 | 0,005 |
| 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 | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».