Cancer prehabilitation implementation: systematic review protocols on guidelines, implementation barriers and strategies
Notice bibliographique
Résumé
Cancer prehabilitation consists of targeted interventions initiated after diagnosis and before treatment to enhance patients’ capacity to tolerate treatment stress, improve postoperative outcomes, and accelerate recovery. It may be delivered as a unimodal intervention—exercise, nutrition, cognitive, or psychosocial—or more commonly as a multimodal approach integrating two or more components. As cancer surgeries rise globally, prehabilitation has become a priority for patients, clinicians, and health systems. Evidence shows that exercise, nutrition, and multicomponent interventions improve recovery, reduce complications, shorten hospital stays, and enhance quality of life. Despite strong evidence, prehabilitation remains poorly implemented. Barriers exist at patient, clinician, and system levels, including limited awareness, lack of knowledge, resource shortages, and inadequate reimbursement. Facilitators such as patient motivation and caregiver support highlight opportunities to improve uptake. First, most existing research comes from the UK, Canada, and Europe, with few studies focusing on the United States. Given differences in healthcare structure and delivery, understanding context-specific barriers and facilitators warrants greater attention. Second, few studies have tested implementation strategies to increase uptake. To date, few studies have systematically examined how to promote the uptake of prehabilitation in routine cancer care. This protocol addresses that gap by pursuing three objectives: Objective 1: Identify cancer care guidelines and consensus documents that include prehabilitation and synthesize the prehabilitation recommendations. Objective 2: Map the reported barriers and facilitators to implementing cancer prehabilitation in the United States context. Objective 3: Identify and classify empirically tested implementation strategies aimed at enhancing prehabilitation uptake, and summarize evidence on their effectiveness, when applicable.
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 | 0,065 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,010 | 0,015 |
| Bibliométrie | 0,021 | 0,022 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,007 |
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 ».