Can genetics guide exercise prescriptions in osteoarthritis?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Osteoarthritis (OA) is the most common form of arthritis and has a multifactorial etiology. Current management for OA focuses on minimizing pain and functional loss, typically involving pharmacological, physical, psychosocial, and mind-body interventions. However, there remain challenges in determining which patients will benefit most from which interventions. Although exercise-based interventions are recommended as first-line treatments and are known to be beneficial for managing both the disease and illness of OA, the optimal exercise "prescription" is unknown, due in part to our limited understanding of the precise mechanisms underlying its action. Here we present our perspective on the potential role of genetics in guiding exercise prescription for persons with OA. We describe key publications in the areas of exercise and OA, genetics and OA, and exercise and genetics, and point to a paucity of knowledge at the intersection of exercise, genetics, and OA. We suggest there is emerging evidence to support the use of genetics and epigenetics to explain the beneficial effects of exercise for OA. We identify missing links in the existing research relating to exercise, genetics, and OA, and highlight epigenetics as a promising mechanism through which environmental exposures such as exercise may impact OA outcomes. We anticipate future studies will improve our understanding of how genetic and epigenetic factors mediate exercise-based interventions to support implementation and ultimately improve OA patient care.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle