The contribution of FEV <sub>1</sub> and airflow limitation on the intensity of dyspnea and leg effort during exercise. Insights from a real‐world cohort
Notice bibliographique
Résumé
Rationale The effort required to cycle and breathe intensify as power increases during incremental exercise. It is currently unclear how changes in FEV1 in the presence or absence of airflow limitation) impacts the intensity of dyspnea and leg effort. This is clinically important as the improvement in FEV1 is often the target for improving dyspnea. Objectives To investigate the relationship between dyspnea (D), leg effort, power (P), and FEV1 with and without airflow limitation using direct psychophysical scaling performed during incremental exercise testing to symptom limited capacity. Methods Retrospective analysis of consecutive patients over the age of 35 referred for cardio-pulmonary exercise testing at McMaster University Medical Centre from 1988–2012.The modified Borg scale was used to measure dyspnea throughout incremental exercise testing. Measurements and results 38,788 patients were included in the analysis [Mean Age 58.6 years (SD ±11.8), Males 61%, BMI 28.1 kg/m2 (SD ±5.1), FEV1 was 2.7 L (SD ±0.85), 95% predicted (SD ±20.4), FVC 3.4 L (SD ± 1.0), 94% predicted (SD ±17.0)], and 10.9% had airflow limitation (AL, FEV1/FVC < 70%). In a nonlinear regression analysis, the intensity of dyspnea increased in a positively accelerating manner with power and as the FEV1% predicted decreased: Dyspnea = 0.06 * Power1.03 * FEV1%Pred−0.66(r = .63). The intensity of leg effort increased with power and declining quadricep strength and FEV1% predicted: Leg Effort = 0.06 * Power1.22 * Quad−0.56*FEV1%Pred−0.39(r = .73). There was no independent effect of AL on dyspnea of leg effort. Conclusion Power, quadriceps strength and FEV1 are the dominant factors contributing to dyspnea and leg effort, irrespective of the degree of airflow limitation.
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 | 0,000 | 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 ».