Exercise training in metabolic and bariatric surgery: An overview of systematic reviews
Notice bibliographique
Résumé
Understanding how to incorporate exercise into metabolic and bariatric surgery programs to optimize treatment outcomes is of great interest, as evidenced by 11 reviews published on this topic in 2022 alone. This overview of reviews was conducted to create a single cohesive resource to aid clinicians and researchers by exploring the effects of pre- and post-operative exercise training on health outcomes. A literature search of 7 electronic databases was performed (updated 09/2023) and 24 reviews met preset PICOS eligibility criteria and were included: 4 exploring preoperative exercise training, 13 postoperative, and 7 both. Comparing reviews, outcome results were organized as concordant, discordant, or inconclusive, and then categorized into "what we currently know", "what we think we know" and "what we still don't know". We do not currently know the effects of pre- or post-operative exercise training on any outcomes, but we think we know that preoperative exercise training has a positive effect on BMI and 6-minute walking test distance, and postoperative exercise training has a positive effect on body weight and BMI, waist circumference, bone mineral density, 6-minute walking test distance, muscle strength, and systolic blood pressure. Despite the abundance of research, much still needs to be done in terms of enhancing methodological rigor and reporting to achieve greater confidence in our conclusions; recommendations for the next research steps are made.
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 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,016 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».