Use of Wearable Activity-Monitoring Technologies to Promote Physical Activity in Cancer Survivors: Challenges and Opportunities for Improved Cancer Care
Notice bibliographique
Résumé
The aim of this review was to explore the acceptability, opportunities, and challenges associated with wearable activity-monitoring technology to increase physical activity (PA) behavior in cancer survivors. A search of Medline, Embase, CINAHL, and SportDiscus was conducted from 1 January 2011 through 3 October 2022. The search was limited to English language, and peer-reviewed original research. Studies were included if they reported the use of an activity monitor in adults (+18 years) with a history of cancer with the intent to motivate PA behavior. Our search identified 1832 published articles, of which 28 met inclusion/exclusion criteria. Eighteen of these studies included post-treatment cancer survivors, eight were on active cancer treatment, and two were long-term cancer survivor studies. ActiGraph accelerometers were the primary technology used to monitor PA behaviors, with Fitbit as the most commonly utilized self-monitoring wearable technology. Overall, wearable activity monitors were found to be an acceptable and useful tool in improving self-awareness, motivating behavioral change, and increasing PA levels. Self-monitoring wearable activity devices have a positive impact on short-term PA behaviors in cancer survivors, but the increase in PA gradually attenuated through the maintenance phase. Further study is needed to evaluate and increase the sustainability of the use of wearable technologies to support PA in cancer survivors.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».