Barriers and enablers of adherence to high-intensity interval training among patients with cancer: a systematic review and meta-analysis
Notice bibliographique
Résumé
OBJECTIVE: Physical activity confers physical and psychosocial benefits for cancer patients and decreases morbidity and mortality, but adherence varies. High-intensity interval training (HIIT) is time-efficient and may improve adherence. Our aim was to determine barriers and enablers of adherence to HIIT in patients diagnosed with cancer. DESIGN: Systematic review and meta-analysis. DATA SOURCE: PubMed-MEDLINE, Scopus and Web of Science. ELIGIBILITY CRITERIA: Intervention studies including patients diagnosed with any type of cancer, who engaged in HIIT with or without co-intervention in any stage of treatment and have reported outcomes for adherence. RESULTS: Eight hundred articles were screened and 22 were included (n=807); 19 were included in the meta-analysis (n=755). Weighted adherence to HIIT was 88% (95% CI, 81% to 94%). None of the studies reported serious adverse events. Although being a woman and having breast cancer were associated with lower adherence (p<0.05), age was not (p=0.15). Adherence was significantly lower during the treatment phase in comparison with pre- and post-treatment phases, 83% versus 94% and 96%, respectively (p<0.001). Session time of more than 60 min, when unsupervised and combined with other interventions, was associated with decreased adherence (p<0.05). CONCLUSION: Adherence to HIIT programmes among cancer patients varies and is improved when the intervention is supervised, of shorter duration, consists of solely HIIT and not in combination with other exercise and occurs during pre- and post-treatment phases. Strategies to improve adherence to HIIT in specific subpopulations may be needed to ensure all patients with cancer are provided optimal opportunities to reap the benefits associated with physical activity. PROSPERO REGISTRATION: CRD42023430180.
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 | 0,012 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,016 | 0,039 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».