A Systematic Review and Narrative Synthesis of Exercise Interventions to Manage Fatigue Among Children, Adolescents, and Young Adults with Cancer
Notice bibliographique
Résumé
Exercise is known to improve fatigue among adult cancer patients however there is limited understanding of this relationship in children, adolescents, and young adults (AYA) with cancer. The aim is to evaluate the effect of exercise on fatigue outcomes among children and AYA with cancer and to identify important parameters of exercise (frequency, intensity, time, type, and setting), which may be relevant for future intervention design. A systematic search of PubMed, MedLine, CENTRAL, Embase, and Web of Science databases was conducted in December 2019, for studies within the last decade, reporting the effect of exercise on fatigue among cancer patients and survivors 0–24 years of age. Quality assessment was conducted using the Physiotherapy Evidence Database (PEDro) and “Before/After Studies with No Control Group” scales. Seventeen studies ( n = 681 participants) were included, of which six were randomized controlled trials (RCTs), and the remaining being pilot ( n = 5) or feasibility studies ( n = 6). Across studies there was great heterogeneity in intervention delivery, frequency (range: 1–7 days a week), time (range: 10–60 minutes), and duration (range: 3–24 weeks). A positive effect of exercise on fatigue was observed, however, most changes in fatigue were not statistically significant. Exercise is beneficial for reducing fatigue in young cancer patients. However, due to the heterogeneity and quality of existing interventions, firm conclusions about the most effective mode and format of exercise intervention cannot be drawn. There is a need for more definitive large-scale RCTs that can provide data of sufficient quality.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| 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 | 0,001 |
| 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 ».