Can Step-Based Metrics Predict Current and Future Health-Related Fitness and Patient-Reported Outcomes among Women Diagnosed with Breast Cancer?
Notice bibliographique
Résumé
PURPOSE: Wearable sensors that track physical activity in daily life may offer insights that help health care providers optimize care plans for individuals with cancer. Therefore, we examined the links between lower health-related fitness and worse patient-reported health and various step-based metrics. METHODS: The Alberta Moving Beyond Breast Cancer Study enrolled 1528 women recently diagnosed with breast cancer and measured health-related fitness and patient-reported health outcomes near diagnosis and 1 yr later. Step counts and intensity (cadence, peak steps) were measured by activPAL® over 7 d at baseline. We estimated cross-sectional associations (odds ratios (OR)) at baseline and prospective associations between low baseline stepping and low fitness and poorer health at 1 yr, adjusting for age, demographics, height, weight, and cancer diagnosis/treatment. RESULTS: At baseline, 1408 breast cancer survivors (mean age, 56 yr; early stage (90%)) provided valid activPAL measures (mean, 5.5 d of wear). Taking <5000 steps per day (lower quintile) at baseline was associated with lower aerobic fitness, muscular strength and endurance, lower physical and mental quality of life, and greater fatigue and upper extremity disability at baseline and 1 yr later. Taking <5000 steps per day at baseline was associated with a greater risk of moving from favorable to unfavorable categories of aerobic fitness (OR, 2.64), curlups (OR, 1.84), chest endurance (OR, 2.38), self-reported health (OR, 2.37), physical quality of life (OR, 2.13), and fatigue (OR, 1.81) 1 yr later. Preferred cadence and peak stepping were inconsistently associated after adjustment for total steps. CONCLUSIONS: Although our findings need to be replicated, they suggest that simple step counts measured near diagnosis could help health care providers assess the fitness and health status of women recently diagnosed with breast cancer and improve their survivorship care plans.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».