Interventions to improve neurocognitive late-effects in pediatric and adolescent CNS tumor patients and survivors - a systematic review
Notice bibliographique
Résumé
Introduction: Survival of children and adolescents diagnosed with central nervous system (CNS) tumors massively improved over the last decades due to better diagnostics, treatment, and supportive care. However, morbidity is still the highest of all cancer entities in this age group with neurocognitive late-effects being one of the most severe. Aim: With this systematic review, we aim to summarize interventions designed to prevent or improve neurocognitive late-effects in CNS tumor patients. Method: 2022 and included publications studying interventions for neurocognitive late-effects in pediatric and adolescent patients and survivors diagnosed with a CNS tumor. We included any form of neurocognitive intervention during treatment or following treatment completion. We considered all types of studies except for expert opinions and case reports. Results: The literature search resulted in 735 publications. We included 43 publications in the full text screening and 14 met our inclusion criteria. Of those, two assessed the impact of pharmacological interventions, three of exercise interventions, five of online cognitive training, and four assessed behavioral interventions. Different neuropsychological test batteries and imaging were used to measure the impact of the respective interventions. Most studies showed a positive impact of the interventions in single to several of the subtests used. Conclusion: We found several intervention studies indicating improvement of neurocognitive problems in children and adolescent CNS tumor survivors. In this population exercise interventions or online cognitive training might mitigate or improve neurocognitive late-effects.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».