MétaCan
Menu
Retour à la cohorte
Enregistrement W4413110807 · doi:10.1093/jncics/pkaf078

Accelerating precision exercise medicine in cancer patients using pooled individual patient data: POLARIS experience

2025· article· en· W4413110807 sur OpenAlexaff
Laurien M. Buffart, Marlou‐Floor Kenkhuis, Robert U. Newton, Anne M. May, Daniel A. Galvão, Kerry S. Courneya

Notice bibliographique

RevueJNCI Cancer Spectrum · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicinePrecision medicinePhysical activityMEDLINEPhysical therapyPathology

Résumé

récupéré en direct d'OpenAlex

Numerous exercise oncology trials have been completed, greatly informing exercise recommendations for patients with cancer. Exercise medicine can be administered in various types, doses, and schedules at various time points. Advancing precision exercise medicine requires understanding of how the effects of different exercise interventions vary by characteristics of individual patients. The Predicting OptimaL cAncer RehabIlitation and Supportive care (POLARIS) study provides an international infrastructure and shared database to perform pooled analyses of individual patient data (IPD) from multiple randomized controlled trials. This commentary aims to highlight the value of pooled IPD analyses, summarize key findings from published pooled IPD analyses on the effects of physical exercise on various outcomes, and provide guidance to advance precision exercise medicine for patients with cancer. POLARIS currently includes IPD from 52 exercise trials. Findings to date indicate that exercise interventions in patients with cancer have beneficial effects on physical fitness, fatigue, health-related quality of life, self-reported cognition (posttreatment), sleep disturbances, and symptoms of anxiety and depression. Additionally, it was determined that the exercise effects varied by characteristics of the patients, including the initial value of the outcome, age, marital status, and education level, and by characteristics of the intervention, including exercise supervision and specificity. Future research opportunities to advance precision exercise medicine for patients with cancer include pooling of trial data from understudied populations, data on clinical outcomes, and biomarkers, as well as applying machine learning models for identifying combinations of covariables that modify intervention effects and predictions of individual treatment effects.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,124
Score d'incertitude au seuil1,000

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 ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,061
Tête enseignante GPT0,368
Écart entre enseignants0,307 · 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.

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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJNCI Cancer SpectrumMême sujetCancer survivorship and careTravaux en français237 207