Prehabilitation: preoperative rehabilitation interventions for lung cancer – a scoping review
Notice bibliographique
Résumé
Background: Individuals undergoing lung cancer surgery often face significant postoperative challenges, underscoring the importance of identifying effective preoperative rehabilitation strategies to support recovery. Aim: To identify rehabilitation interventions that can be implemented during the preoperative period for individuals with lung cancer undergoing thoracic surgery. Design: Scoping review guided by the Arksey and O'Malley methodological framework. Methods: The research question guiding this review was "What rehabilitation interventions should be implemented in the preoperative period for individuals with lung cancer undergoing surgery?" A comprehensive search was performed across five databases: MEDLINE, Cochrane Central, CINAHL, ScienceDirect, and PubMed. The review included studies that addressed rehabilitation interventions before thoracic surgery for individuals with lung cancer. Results: A total of 19 articles met the inclusion criteria. The findings indicate that combining aerobic endurance, resistance, and respiratory training with preoperative education improves outcomes. In addition, nutritional counseling and brief relaxation/emotion-regulation strategies appear to be valuable components of multimodal prehabilitation programs, though evidence is limited. Conclusion: Preoperative rehabilitation interventions have the potential to enhance functional reserve, reduce postoperative complications, and accelerate recovery in individuals undergoing lung resection for lung cancer.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».