Lessons learned from clinical trials of exercise and physical activity in people with MS – guidance for improving the quality of future research
Notice bibliographique
Résumé
The body of research on exercise and physical activity among persons with multiple sclerosis(MS) has expanded rapidly in quantity, but not necessarily quality, over the past 20+ years. There is evidence for beneficial effects of exercise and physical activity on immune cells and neurotrophic factors, brain structure and function, walking and cognitive performance, fatigue, depression, and pain, and quality of life among persons with MS. Nevertheless, there is heterogeneity in the outcomes of exercise and physical activity, and a recognition of substantial challenges for improving the effectiveness of those behaviors in MS. To move the field forward, members of the National MS Society physical wellness research working-group pooled collective experiences for identifying challenges, logistic complexities, and opportunities for researchers in designing and conducting interventions of exercise and physical activity among persons with MS. We examined the scope of our experiences and identified collective "lessons learned" regarding the behaviors themselves; study design features and stage of research; study setting, safety, and sample selection; and implementation of randomized controlled trials(RCTs) and treatment fidelity. This paper provides a resource that can inform researchers, particularly new investigators or established investigators transitioning into MS, on conducting high-quality RCTs on exercise and physical activity in MS.
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 | 0,384 | 0,509 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,013 | 0,010 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,014 | 0,028 |
| Science ouverte | 0,008 | 0,007 |
| Intégrité de la recherche | 0,014 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».