Sedentary time transitions and associations with quality of life in cancer survivors during the COVID-19 pandemic
Notice bibliographique
Résumé
Background Patterns in sedentary time (SED) and its impact on quality of life (QoL) in cancer survivors during the COVID-19 pandemic remains unknown. The purpose of this study was to 1) compare total and domain-specific SED before and during the pandemic; and 2) examine its association with QoL in a global sample of cancer survivors.Methods In an online survey, cancer survivors retrospectively self-reported domain-specific SED (e.g. transportation, television) before and during the pandemic via the Domain-Specific Sitting Time Questionnaire. QoL was assessed via the Functional Assessment of Cancer Therapy (FACT)-General and FACT-Fatigue. Paired t-tests compared daily SED before and during the pandemic. Analysis of covariance compared QoL among: those who remained high (>8 h/day), remained low (<8 h/day), increased (<8 h/day to >8 h/day), or decreased (>8 h/day to <8 h/day) daily SED.Results Among cancer survivors (N = 477, Mage=48.5 ± 15.4), 60.8% reported that their SED remained high, 19.7% remained low, 7.5% increased SED, and 11.9% decreased SED. Computer and television screen time significantly increased (p’s<.001), while SED during transportation significantly decreased (p<.001). Sub-group analyses revealed that those who reduced SED who were normal or underweight (p=.042) or were meeting physical activity guidelines (p=.031) had significantly less fatigue than those who increased or remained high in SED, respectively. Those who remained high in SED with <3 comorbidities (p’s =.005) had significantly better social well-being than those who increased SED.Conclusions As we transition to a post-pandemic era, behavioral strategies for cancer survivors should focus on reducing screen time to improve QoL and fatigue.
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 | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».