WHAT ROLE CAN A PERSONAL TRAINER PLAY IN IMPROVING QUALITY OF LIFE THROUGHOUT ONCOLOGY TREATMENT FOR PEOPLE WITH A BRAIN TUMOUR
Notice bibliographique
Résumé
Abstract AIMS Review of a single person case study to establish if a personal trainer (PT) could help build a personalised pro- gramme for people with brain tumours going through oncology treatment. The aim being to help manage resilience both physically and psychologically through treatment and improve quality of life. METHOD A young person who has completed radiotherapy and chemotherapy after surgical debulking of a brain tumour was contacted. He worked as a PT before diagnosis and continued throughout treatment. He gradually increased his exercise tolerance and tailored exercises to different days of the treatment cycle to match his needs. He managed his fatigue and gradually built his exercise tolerance up back to baseline and continue with treatment. RESULTS This patient created a ‘patient guide’ with suggested exercises from his unique perspective as a person who has been through treatment and as a PT. CONCLUSIONS This guide has not yet been trialled with the rest of the patient population. The hope is that this will be used to guide further research in this field and may lead to the implementation of a permeant PT member of staff to the oncology service. In his words ‘this is just an example of my journey and how I stumbled my way through the diffculty of a cancer diagnosis and subsequent treatment. If you can take something away and apply it to your own situation then that’s brilliant’, ‘each day is a testament to how well you’re doing’
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,004 | 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 ».