Can Measures Of Stepping Provide Insight Into Fitness And Health For Individuals With Breast Cancer?
Notice bibliographique
Résumé
PURPOSE: Step-based measures recorded in daily life may help identify individuals with cancer who have low fitness levels and poor health—information that could aid health care providers in optimizing care. Thus, we examined links between low step counts and intensity (cadence, peak steps) and lower health-related fitness and patient reported health. METHODS: The Alberta Moving Beyond Breast Cancer Study enrolled 1,528 individuals newly diagnosed with breast cancer and measured 5 components of health-related fitness (12 measures), and patient reported health (9 indicators) near diagnosis, and one-year later. Step counts and intensity were measured at baseline using activPAL (7-days). Logistic regression estimated cross-sectional associations (odds ratios; OR) at baseline, and prospectively between lower quintiles of baseline stepping and low fitness and poorer health at one year, adjusting for age, demographics, height, weight, and cancer diagnosis/treatment. RESULTS: At baseline 1,408 individuals with breast cancer (mean age 56 yrs; early stage (90%)) provided valid activPAL measures (mean 14.8 hrs/d, 5.5 days of wear). Taking <5,000 steps/d (lower quintile) at baseline was associated with low fitness (9 of 12 measures) and poorer health (8 of 9 indicators) at baseline and remaining in low fitness (7 of 12 measures) and poorer health (5 of 9 indicators) one year later. Taking <5,000 steps/d at baseline was significantly associated with greater odds of moving from favorable to unfavorable/low fitness and poorer health categories one year later (VO2peak (OR = 2.6), curl ups (OR = 1.8), chest endurance (OR = 2.4), self-reported health (OR = 2.4), physical quality of life (OR = 2.1), fatigue (OR = 1.8)). Preferred cadence and peak stepping were inconsistently associated after adjustment for total steps. CONCLUSIONS: Easily obtained step counts measured near diagnosis could facilitate wellness planning across the treatment timeline and into survivorship for individuals with breast cancer. Supported by: Canadian Institutes of Health Research (Awards: 107534, 155952, 159927)
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».