MétaCan
Menu
← Retour à la cohorte
Enregistrement W4402662102 · doi:10.1249/01.mss.0001062124.78784.ba

Changes In Health-related Fitness After Breast Cancer Treatment In The AMBER Cohort Study

2024· article· en· W4402662102 sur OpenAlexaffabout
Fernanda Z. Arthuso, Ki‐Yong An, Qinggang Wang, Andria R. Morielli, Margaret L. McNeely, Jeff K. Vallance, S. Nicole Culos‐Reed, Gordon J. Bell, Leanne Dickau, Myriam Filion, Stephanie Ntoukas, Jessica McNeil, Karen Kopciuk, Lin Yang, Charles E. Matthews, Renée L. Kokts‐Porietis, John R. Mackey, Christine M. Friedenreich, Kerry S. Courneya

Notice bibliographique

RevueMedicine & Science in Sports & Exercise · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensAthabasca UniversityAlberta Health ServicesUniversity of CalgaryUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésBreast cancerCohortMedicineCancerOncologyCohort studyGerontologyDemographyInternal medicineSociology

Résumé

récupéré en direct d'OpenAlex

Early-stage breast cancer patients often receive multimodal cancer treatments consisting of various combinations of surgery, chemotherapy, radiotherapy, targeted therapy, and hormone therapy. Limited data are available on how these treatment modalities affect different domains of health-related fitness (HRF). PURPOSE: The present study reports the associations between different breast cancer treatment modalities and 1-year changes in HRF. METHODS: Newly diagnosed early-stage breast cancer patients were recruited between 2012-2019 in Edmonton and Calgary, Canada for the Alberta Moving Beyond Breast Cancer (AMBER) cohort study. Participants completed HRF assessments within 90 days of diagnosis and one year after diagnosis including cardiorespiratory fitness (VO2peak treadmill test), muscular fitness (upper and lower body muscular strength and endurance), and body composition (DXA scan). Treatment data were abstracted from electronic medical records. Analysis of covariance examined changes in HRF by different treatment modalities and combinations. RESULTS: AMBER included 1,528 participants of which 41.4% had a mastectomy, 58.2% chemotherapy, 74.3% radiotherapy, 81.6% hormone therapy, and 16% targeted therapy. Receiving chemotherapy was associated with a decrease in upper body strength (p = 0.048), fat-free mass (p = 0.049), and bone mineral density (p < 0.001). Receiving radiotherapy was associated with a decrease in relative VO2peak (p = 0.025) and bone mineral density (p < 0.001). Having a mastectomy was linked to a reduction in upper body endurance (p = 0.037). Receiving hormone therapy was associated with reductions in lower body strength (p = 0.033), lean mass (p = 0.001), and fat-free mass (p = 0.002). Receiving targeted therapy was associated with a decline in relative VO2peak (p = 0.017). The combination of receiving all 5 treatment modalities (n = 55) was associated with increased body weight (p = 0.043) and decreased bone mineral density (p = 0.023). CONCLUSIONS: Different cancer treatments uniquely impact different HRF domains in early-stage breast cancer. Understanding the changes in HRF based on individual and combinations of treatment modalities will inform tailored exercise interventions during and after breast cancer treatments. Team Grant (#107534), Project Grant (#155952), and Foundation Grant (#159927) from the Canadian Institutes of Health Research, Canada Research Chairs Program, Alberta Innovates Health Senior Scholar Award, Alberta Cancer Foundation Weekend to End Women's Cancers Breast Cancer Chair

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,494
Score d'incertitude au seuil0,981

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,318
Écart entre enseignants0,301 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedicine & Science in Sports & Exercise→Même sujetCancer survivorship and care→Travaux en français237 207→