MétaCan
Menu
Retour à la cohorte
Enregistrement W4413311669 · doi:10.1093/jncimonographs/lgaf029

Considerations for delivery of live-remote exercise for people with cancer in research and practice

2025· article· en· W4413311669 sur OpenAlexaff
Eva M. Zopf, Jana Müller, Mark Trevaskis, Alina Kias, Anouk E. Hiensch, Kelcey A. Bland, Evelyn M. Monninkhof, Martina E. Schmidt, David Binyam, Dorothea Clauss, Nadira Gunasekara, Mary E. Crisafio, Yvonne Wengström, Karen Steindorf, Alberto J. Alves, Anna Campbell, Kristin L. Campbell, Martijn M. Stuiver, Anne M. May, Kerri M. Winters‐Stone

Notice bibliographique

RevueJNCI Monographs · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensInstitute of Cancer ResearchCanadian Centre for Applied Research in Cancer ControlUniversity of British Columbia
Organismes subventionnairesNational Health and Medical Research CouncilNational Institutes of HealthEuropean CommissionMedical Research CouncilAustralian Government
Mots-clésCancerMedicinePhysical therapyMedical educationPsychologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Exercise is safe and beneficial for people diagnosed with cancer. The use of live-remote exercise approaches, where exercise trainers deliver exercise programs via a videoconferencing platform, has increased rapidly, greatly expanding the reach of exercise programs. This method retains key elements of supervised exercise, which provide greater benefits than unsupervised programs. However, challenges in adapting in-person supervised exercise programs to remote delivery exist. This article discusses the key considerations for the effective and safe delivery of live-remote exercise, such as technological requirements, exercise professional skills, safety aspects, exercise programming features, social interactions, costs, and legal and ethical considerations. Considerations relevant for the design and execution of exercise oncology clinical trials and for community practice are described. Remaining knowledge gaps are outlined and point to opportunities to further inform evidence-based practice and practice-based evidence.

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 enseignants0,283
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)0,0000,000
Bibliométrie0,0000,000
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 Opus0,084
Tête enseignante GPT0,407
Écart entre enseignants0,322 · 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

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJNCI MonographsMême sujetCancer survivorship and careTravaux en français237 207