Spinal Intervention Efficacy on Correcting Cervical Vertebral Axes of Rotation and the Resulting Improvements in Pain, Disability and Psychsocial Measures
Notice bibliographique
Résumé
Objectives: Mean axes of rotation [MAR] of cervical joints are an effective measure of spine pathology. Khan Kinetic Treatment [KKT] is known to relieve symptoms, but its biomechanical effects have not been quantified. This study assesses KKT efficacy using MAR correction and its associated effects. Methods: The intervention applies vibrations via stylus to a bony landmark of the spine. Using saggital plane cervical X-rays, pre-post intervention MARs were computed for 44 patients with chronic neck pain. The study was randomized, single blinded, and sham controlled for outcome measure comparisons. Mechanical input was assessed using a load cell and vertebral acceleration and the outcome measures were: 1. cervical MARs, 2. self-reported neck pain, 3. neck disability index scores, and 4. psycho-social assessments. Results: 1. Average peak force on vertebrae during treatment was 10.3 N and the average peak acceleration was 2.19G, 2. KKT improved pain and neck disability scores significantly over shams, 3. KKT corrected 62 percent of abnormal MARs with significantly larger MAR vector magnitude differences [pre-post] at the C5-6 level than shams, 4. in patients without changes in MAR locations, KKT significantly improved neck disability scores above shams, 5. MAR correction was significantly related to improving both pain and neck disability across all subjects. Conclusions: We present biomechanical evidence of spinal “re-alignment” and its ability to improve both pain and neck disability. Capacity to improve neck disability despite no change in MAR locations indicates that MAR correction, while effective, is not the sole mechanism behind the interventions success.
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 | 0,013 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».