Development and Evaluation of an Accelerometer-Based Protocol for Measuring Physical Activity Levels in Cancer Survivors: Development and Usability Study
Notice bibliographique
Résumé
BACKGROUND: The collection of self-reported physical activity using validated questionnaires has known bias and measurement error. OBJECTIVE: Accelerometry, an objective measure of daily activity, increases the rigor and accuracy of physical activity measurements. Here, we describe the methodology and related protocols for accelerometry data collection and quality assurance using the Actigraph GT9X accelerometer data collection in a convenience sample of ovarian cancer survivors enrolled in GOG/NRG 0225, a 24-month randomized controlled trial of diet and physical activity intervention versus attention control. METHODS: From July 2015 to December 2019, accelerometers were mailed on 1337 separate occasions to 580 study participants to wear at 4 time points (baseline, 6, 12, and 24 months) for 7 consecutive days. Study staff contacted participants via telephone to confirm their availability to wear the accelerometers and reviewed instructions and procedures regarding the return of the accelerometers and assisted with any technology concerns. RESULTS: We evaluated factors associated with wear compliance, including activity tracking, use of a mobile app, and demographic characteristics with chi-square tests and logistic regression. Compliant data, defined as ≥4 consecutive days with ≥10 hours daily wear time, exceeded 90% at all study time points. Activity tracking, but no other characteristics, was significantly associated with compliant data at all time points (P<.001). This implementation of data collection through accelerometry provided highly compliant and usable activity data in women who recently completed treatment for ovarian cancer. CONCLUSIONS: The high compliance and data quality associated with this protocol suggest that it could be disseminated to support researchers who seek to collect robust objective activity data in cancer survivors residing in a wide geographic area.
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 | 0,181 | 0,154 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».