Effects of a Clinical Exercise Program on Health-Related Fitness and Quality of Life in Spanish Cancer Patients Receiving Adjuvant Therapy
Notice bibliographique
Résumé
Objective: To report the feasibility and effectiveness of a newly developed clinical exercise program for improving maximal cardiorespiratory fitness in Spanish cancer patients receiving adjuvant chemotherapy or radiation. We also examined the effectiveness of the exercise program for improving maximal muscular strength, body composition, fatigue, and quality of life, and explored if the effectiveness varied based on selected patient characteristics. Design: The study was a single group implementation feasibility study using a pre-posttest design. Methods: Participants performed a 12-week, twice-weekly, supervised, multi-component exercise program during adjuvant therapy. Paired t-tests were used to assess pre-post changes, and analyses of covariance were used to compare effectiveness based on selected patient characteristics. Results: We had 100 cancer patients referred to the clinical exercise program of which 85 (85%) initiated the exercise program and 76 (89%) completed the post-intervention fitness assessment. Exercise significantly improved VO 2max by 4.8 mL/kg/minutes ( P < .001, d = 0.74). Exercise also significantly improved chest strength ( P < .001, d = 0.82), leg strength ( P < .001, d = 1.27), lean body mass ( P < .001, d = 0.11), skeletal muscle mass ( P < .001; d = 0.09), fat mass ( P < .001; d = 0.10), % body fat ( P < .001; d = 0.17), quality of life ( P = .0017; d = 0.41), and fatigue ( P = .007; d = 0.46). Treatment modality, cancer type, and age affected some exercise responses, especially related to body composition changes. Conclusions: A 12-week, supervised, multi-component exercise program was effective for improving health-related fitness and quality of life in Spanish cancer patients receiving adjuvant therapy. Our results show the benefits of incorporating clinical exercise programming into the supportive care of cancer patients receiving treatments. Registration: The study protocol is registered at ClinicalTrials.gov (NCT05078216).
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 | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».