体能与癌症生存：降低死亡风险

导言

体能--尤其是肌肉力量和心肺功能（CRF）--在癌症幸存者中发挥着至关重要的作用。新出现的证据表明，这些因素可能会极大地影响已确诊癌症患者的死亡风险，然而大多数研究都集中在癌症发生前的健康人群身上。手握力（HGS）和 6 分钟步行测试（6MWT）等简单、临床可行的评估显示出很强的预后价值，而心肺运动测试（CPET）等先进的测量方法则能提供更深入的见解。最近的研究征兆表明，较高的肌肉力量可将全因死亡率降低 39%（Ezzatvar，2021 年），较好的 CRF 可将风险降低 48%（Ezzatvar，2021 年），但差距依然存在--特别是在癌症特异性死亡率、肿瘤类型和疾病分期方面。

本系统综述和荟萃分析旨在阐明这些关联，通过阐明物理治疗师与癌症生存之间的关系，帮助物理治疗师优化对处于不同进展阶段的癌症患者的运动干预。

方法

资格标准

选择这些研究的依据是它们对成年患者的体质和癌症生存结果的体检。研究人员在各大健康科学数据库中进行了系统性检索，以确定调查成年癌症患者（≥18 岁）肌肉力量、心肺功能（CRF）和死亡率之间关系的前瞻性观察性队列研究。仅纳入了报告全因死亡率或癌症特异性死亡率的研究，而排除了那些提供几率比（OR）、非英文出版物或数据不充分的研究。

体能采用两种分析方法进行评估：

截断法（例如，比较高肌肉力量/低肌肉力量组）。
单位增加法（例如，评估 CRF 每增加 1MET 的死亡风险）。

该研究旨在确定基线体能水平和逐步提高的体能水平如何影响癌症患者的生存结果。

数据提取和研究质量评估

独立审查员进行了数据提取。研究小组系统地收集了：研究特征（样本量、设计、随访持续时间）；参与者人口统计学特征（年龄、体重指数）；临床参数（癌症类型、分期、治疗方案）；体能测量指标（肌肉力量和/或 CRF 评估方法与临界值）。结果方面，从现有的单变量和多变量分析中提取了全因死亡率和癌症特异性死亡率的危险比（HRs）及 95% 置信区间或标准误差。然后采用纽卡斯尔-渥太华队列研究质量评估量表对研究质量进行评估。该量表对三个领域进行评估：队列组的选择、队列的可比性和相关结果的确定。

体能与癌症存活率 — 来自 Bettariga 等人，《英国运动医学杂志》。 (2025)

统计分析

本研究采用荟萃分析法研究肌肉力量和心肺功能（CRF）如何影响全因死亡率和癌症特异性死亡率。研究人员利用随机效应模型汇总了以往研究的危险比（HRs）。他们根据预先确定的临界值对高强度/CRF 组和低强度/CRF 组进行了比较，并分析了每增加一个单位（如每增加 1 公斤或 1MET ）所带来的变化。统计显著性以 *p* ≤ 0.05 为标准，异质性采用I²和 Cochran'sQ检验进行评估。进行了灵敏度和发表偏倚分析。分组包括癌症分期和类型。

成果

参与者和干预措施的特点

系统性回顾过程中发现了 2702 项调查体能与癌症生存率的研究，最终有 42 项符合荟萃分析的纳入标准。这些研究共招募了 46,694 名成年癌症患者，中位年龄为 64 岁，中位体重指数为 24.8 kg/m²。纳入的研究代表了各种癌症类型，包括肺癌（9 项研究）、胃癌（2 项）、胰腺癌（1 项）、乳腺癌（1 项）、神经胶质瘤（1 项）和结肠癌/膀胱癌（各 1 项），其中有 26 项研究对多种癌症类型进行了研究。

测量肌肉力量

所有研究均采用手握力量测力法（HGS）评估肌肉力量。有 19 项研究采用临界值将患者分为高强度组和低强度组，女性的临界值从<13 千克到<25.1 千克不等，男性的临界值从<19.87 千克到<40.2 千克不等。一些研究采用了其他分类方法，包括虚弱指数或年龄调整百分位数。将力量作为连续变量（每单位增量的变化）进行分析的研究，研究了每增加 1 千克的死亡风险。

通用报告格式测量

心肺功能通过心肺运动测试（CPET）（14 项研究）和 6 分钟步行测试（4 项研究）进行评估。低CRF的定义有多个标准，包括VO₂峰值<13-16 mL/kg/min、分钟通气量（VE）与二氧化碳排出量（VCO₂）比值VE/VCO₂≥31或6MWT距离<358.5米至<400米。七项研究将 CRF 作为 VO₂峰值、METs 或步行距离每单位增量的连续变量进行了研究。

肌肉力量：全因死亡率。

临界值

在对 22 项研究进行的多变量分析中，高肌肉力量与死亡率降低 31% 的风险相关。异质性为中等（I2 = 67%）。与早期疾病（不显著）相比，保护性关联在晚期癌症中更为明显（风险降低 23-46%）。单变量模型显示了类似但更强的效应，在包括 75% 以上晚期癌症患者的研究中，死亡率风险降低了 50%。死亡率的持续降低证明了体能与癌症生存相关性的预后价值，尤其是在晚期疾病中，两者的联系尤为紧密。与肌肉力量水平较低的患者相比，肌肉力量高的消化系统癌症患者的死亡风险降低了 41%。同样，在肺癌患者中，肌肉力量越大，全因死亡率就会降低 19%。在对这些癌症类型进行单变量分析时，消化系统癌症和弓步肺癌的死亡风险分别降低了 38% 和 26%。值得注意的是，这些癌症类型在不同研究中的异质性为零（I² = 0%），这表明研究结果是一致的。

递增值

尽管存在很大的异质性（I2=94%），但在多变量模型中，力量每增加 1 千克，死亡率就会降低 11%。单变量分析也发现了类似的结果（减少 6%）。中晚期癌症的获益最为明显（单位增量减少 20%）。没有足够数量的研究对按癌症类型分层时单位增量的死亡率变化进行研究。

心肺功能：全因死亡率。

截断分析

与 CRF 水平较低的患者相比，高 CRF 患者在多变量分析中的死亡风险降低了 46%。然而，异质性很大，I2=90%。单变量模型显示效果减弱但显著（减少 36%）。多变量分析报告显示，肺癌患者的获益尤为显著（减少 31%）。单变量分析显示了类似但稍强的效果，死亡风险降低了 35%。对于消化系统癌症和血液系统癌症，只有单变量模型可用，而且这些模型并未报告心肺功能与死亡率之间存在显著关联。在早期癌症中，高CRF在调整后的模型中显示死亡率下降不明显，中等程度的异质性表明其影响取决于人群。

递增值

在多变量模型和单变量模型中，每单位 CRF 的增加均可使死亡率下降（11%-12%），但异质性很大（I²>95%）。单变量模型也得出了类似的结果。根据癌症类型和分期对心肺功能每单位增量的死亡率变化进行研究的数量不足。

心肺功能特异性癌症死亡率。

截断分析

高CRF显示死亡率下降不明显（调整模型为66%，未调整模型为49%），但异质性极高（I²>94%）。研究不同特异性癌症类型和分期的 CRF 与死亡率关系的数据有限。

递增值

两项研究发现，在调整模型中，每增加一个 CRF 单位，癌症特异性死亡风险就会降低 18%。然而，异质性很大（I2=90%）。根据癌症分期和类型对 CRF 单位增量进行癌症特异性死亡风险研究的数量不足。

问题与思考

本系统综述研究了前瞻性队列观察研究的多变量和单变量分析。虽然这些研究揭示了重要的相关性，但必须记住，它们只能确定相关性，而不能确定体能与癌症存活之间的因果关系。观察性设计意味着我们必须谨慎解释结果，特别是因为单变量分析往往会因未能考虑潜在的混杂变量而高估力量和心肺功能对死亡风险的影响。

从目前的证据中可以看出一些局限性。研究之间的高度异质性（征兆值通常超过 50%）表明，在患者人群、评估方法和结果指标方面存在很大差异。这种异质性，再加上某些多变量研究中对调整后的协变量报告不全

分析，因此要分离出身体素质的特异性影响具有挑战性。此外，我们对影响癌症死亡率的所有因素了解不全面，这使得确定力量和心肺状况的确切作用的工作变得更加复杂。

实际实施面临现实障碍。癌症患者经常会出现与治疗有关的疲劳和其他副作用，这给保持或改善体能带来了巨大挑战。在将这些研究结果应用于患者护理时，必须考虑到这些临床实际情况，因为研究人群可能无法完全代表更广泛的癌症患者的经历。

跟我说说书呆子的事

为了分析肌肉力量和心肺功能（CRF）与死亡率的关系，研究首先从现有研究中收集了危险比（HRs）。这些 HRs 及其 95% 置信区间 (CI) 经过数学调整，以确保比较的公平性。 A 随机效应模型 然后将结果进行合并，通过假定不同研究的真实效果存在自然差异（例如，由于患者群体或测量方法的不同）来明确考虑不同研究之间的差异。这比固定效应模型更为保守，因为它扩大了信心区间以反映这种不确定性。该模型通过反方差加权法（一种优先考虑标准误差较小的估算值的方法）对更精确的研究给予更大的权重。

对于比较 "高与低 "体能类别的研究，预先确定的临界值（如肌肉力量>19.1 千克）将参与者分成不同的组别。当研究将数据分为三等分或四等分时，只对最高组和最低组进行分析，以最大限度地提高对比度。另一种方法侧重于增量变化，例如 CRF 每提高 1MET 对死亡风险的影响。

研究小组使用 0.05 的 *p* 值临界值来评估统计显著性。为了判断研究结果是否存在冲突，他们通过I² 统计量（数值超过 50%表示存在实质性差异）和 Cochran'sQ 检验来计算异质性。例如，90% 的 I²（如本文中的一些分析所示）表明，观察到的研究之间的差异有 90% 以上反映了真正的不一致性，而不是随机误差。当异质性较高时，汇总的估计值就变得不那么可靠，亚组分析可能在一定程度上解释了这些差异，如早期和晚期癌症显示出不同的结果。

采用灵敏度分析法对潜在的异常值进行标记，即暂时剔除每项研究以检查其影响（剔除一法）。利用漏斗图和Egger 检验来评估发表偏倚--遗漏负面研究的风险，该检验可检测出小型研究效应的不平衡。

分组分析探讨了癌症分期（早期与晚期）或类型（如单独的弓步癌与分组的消化道癌症）的结果是否有所不同。所有计算均使用荟萃分析的标准工具--综述管理器（RevMan）和 R 的metafor软件包进行。