MétaCan
Menu
Retour à la cohorte
Enregistrement W4406482331 · doi:10.2196/56718

Preliminary Effectiveness of a Telehealth-Delivered Exercise Program in Older Adults Living With and Beyond Cancer: Retrospective Study

2025· article· en· W4406482331 sur OpenAlexaffvenue
Emily R. Dunston, Sonal Oza, Yang Bai, Maria Newton, Leslie Podlog, Kish Larson, Darren Walker, Rebecca Wilson Zingg, Pamela A. Hansen, Adriana M. Coletta

Notice bibliographique

RevueJMIR Cancer · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensUniversité de MontréalCentre Hospitalier Universitaire Sainte-Justine
Organismes subventionnairesNational Cancer Institute
Mots-clésTelehealthMedicineRetrospective cohort studyGerontologyPhysical therapyCancerPhysical medicine and rehabilitationTelemedicineHealth careSurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Exercise can attenuate the deleterious combined effects of cancer treatment and aging among older adults with cancer, yet exercise participation is low. Telehealth exercise may improve exercise engagement by decreasing time and transportation barriers; however, the utility of telehealth exercise among older adults with cancer is not well established. Objective: We aimed to evaluate the preliminary effectiveness of a one-on-one, supervised telehealth exercise program on physical function, muscular endurance, balance, and flexibility among older adults with cancer. Methods: In this retrospective study, we analyzed electronic health record data collected from the Personal Optimism With Exercise Recovery clinical exercise program delivered via telehealth among older adults with cancer (≥65 y) who completed a virtual initial program telehealth assessment between March 2020 and December 2021. The virtual initial assessment included the following measures: 30-second chair stand test, 30-second maximum push-up test, 2-minute standing march, single leg stance, plank, chair sit and reach, shoulder range of motion, and the clock test. All baseline measures were repeated after 12-weeks of telehealth exercise. Change scores were calculated for all assessments and compared to minimal clinically important difference (MCID) values for assessments with published MCIDs. Paired samples t tests (2-tailed) were conducted to determine change in assessment outcomes. Results: Older adults with cancer who chose to participate in the telehealth exercise program (N=68) were 71.8 (SD 5.3) years of age on average (range 65-92 y). The 3 most common cancer types in this sample were breast (n=13), prostate (n=13), and multiple myeloma (n=8). All cancer stages were represented in this sample with stage II (n=16, 23.5%) and III (n=18, 26.5%) being the most common. A follow-up telehealth assessment was completed by 29.4% (n=20) of older adults with cancer. Among those who completed a follow-up telehealth assessment, there were significant increases in the 30-second chair stand (n=19; mean change +2.00 repetitions, 95% CI 0.12 to 3.88) and 30-second maximum push-up scores (n=20; mean change +2.85 repetitions, 95% CI 1.60 to 4.11). There were no significant differences for the 2-minute standing march, plank, single leg stance, sit and reach, shoulder mobility, or clock test (P>.05). Nine (47.3%) older adults with cancer had a change in 30-second chair stand scores greater than the MCID of 2 repetitions. Conclusions: Our findings suggest a one-on-one, supervised telehealth exercise program may positively influence measures of physical function, muscular endurance, balance, and flexibility among older adults with cancer, but more adequately powered trials are needed to confirm these findings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,098
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

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

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 Opus0,006
Tête enseignante GPT0,306
Écart entre enseignants0,300 · 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 tête enseignante, 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

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJMIR CancerMême sujetCancer survivorship and careTravaux en français237 207