Research Quality and Impact of Cardiac Rehabilitation in Cancer Survivors
Notice bibliographique
Résumé
Background: Cardiac rehabilitation (CR) is endorsed to improve cardiovascular outcomes in cancer survivors. The quality of CR-based research in oncology has not been assessed. Objectives: The aim of this study was to evaluate the quality of reporting and evidence from CR-based intervention studies in oncology and to explore associations between intervention participation and outcomes. Methods: Systematic searches of 5 databases were conducted (January 2020) and updated (September 2021). Randomized and nonrandomized studies evaluating CR-based interventions in adult cancer survivors during and after treatment were eligible. Independent reviewers extracted data using 2 reporting guidelines (Template for Intervention Description and Replication and Consolidated Standards for Reporting Trials Harms extension), risk of bias (ROB) assessment tools (Cochrane ROB 2.0 and Cochrane Risk of Bias in Non-Randomized Studies of Interventions), and a combined inventory (Tool for the Assessment of Study Quality and reporting in Exercise). A meta-analysis was used to explore pre-intervention/post-intervention differences for commonly assessed outcomes. Results: Ten studies involving data from 685 survivors were included. The mean quality scores for intervention reporting (Template for Intervention Description and Replication) and harms (Consolidated Standards for Reporting Trials Harms extension) were 62% and 17%, respectively. There was moderate-to-high ROB across nonrandomized (Cochrane Risk of Bias in Non-Randomized Studies of Interventions score: 25%) and randomized (ROB 2.0 score: 50%) studies. The mean standardized cardiorespiratory fitness was higher (0.42; 95% CI: 0.27-0.57), fatigue was lower (-0.45; 95% CI: -0.55 to -0.34), and percent body fat (0.07; 95% CI: -0.23 to 0.38) was not different in survivors completing CR compared with those not completing CR. Conclusions: CR-based studies in oncology have low-to-moderate reporting quality and moderate-to-high ROB limiting interpretation, reproducibility, and translation of this evidence into practice.
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 | 0,355 | 0,693 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,012 |
| Bibliométrie | 0,020 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».