The Effects of Combining Videogame Dancing and Pelvic Floor Training to Improve Dual-Task Gait and Cognition in Women with Mixed-Urinary Incontinence
Notice bibliographique
Résumé
OBJECTIVE: Many women over 65 years of age suffer from mixed urinary incontinence (MUI) and executive function (EF) deficits. Both incontinence and EF declines increase fall risk. The current study assessed EF and dual-task gait after a multicomponent intervention that combined pelvic floor muscle (PFM) training and videogame dancing (VGD). MATERIALS AND METHODS: Baseline (Pre1), pretraining (Pre2), and post-training (Post) neuropsychological and dual-task gait assessments were completed by 23 women (mean age, 70.4 years) with MUI. During the dual-task, participants walked and performed an auditory n-back task. From Pre2 to Post, all women completed 12 weeks of combined PFM and VGD training. RESULTS: After training (Pre2 to Post), the number of errors in the Inhibition/Switch Stroop condition decreased significantly, the Trail Making Test difference score improved marginally, and the number of n-back errors during dual-task gait significantly decreased. A subgroup analysis based on continence improvements (pad test) revealed that only those subjects who improved in the pad test had significantly reduced numbers of n-back errors during dual-task gait. CONCLUSIONS: The results of this study suggest that a multicomponent intervention can improve EFs and the dual-task gait of older women with MUI. Future research is needed to determine if the training-induced improvements in these factors reduce fall risk.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».