Patient-Identified Factors That Influence Spasticity in People with Stroke and Multiple Sclerosis Receiving Botulinum Toxin Injection Treatments
Notice bibliographique
Résumé
PURPOSE: To describe the nature, extent, and impact of spasticity; determine factors that are perceived to influence its severity; and examine the relationship between time since diagnosis and impact of spasticity on daily activities in people with stroke and multiple sclerosis (MS) who are receiving botulinum toxin injection treatments. METHODS: After a cross-sectional telephone survey, descriptive statistics and correlations were analyzed separately for the stroke and MS groups. RESULTS: A total of 29 people with stroke and 10 with MS were surveyed. Both groups perceived increased spasticity with outdoor cold (69% stroke, 60% MS), muscle fatigue (59% stroke, 80% MS), and mental stress (59% stroke, 90% MS). No statistically significant correlations were found between time since diagnosis and perceived impact of spasticity on function in the stroke (r=0.07, p=0.37) or MS (r=0.16, p=0.33) groups. The MS group experienced bilateral and more severe perception of spasticity in the legs than the stroke group and identified more factors as worsening their spasticity (p<0.05). Severity of leg (but not arm) spasticity was significantly correlated with severity of impact of the following factors in the MS group only: lying on the back (r=0.70, p<0.05), outdoor heat (r=0.61, p<0.05), and morning (r=0.59, p<0.05). CONCLUSION: Intrinsic and extrinsic triggers can influence the perception of spasticity differently depending on individual factors, severity, location (arm vs. leg), and distribution of spasticity (unilateral vs. bilateral). Clinicians can use the findings to better understand, educate, and treat people with stroke and MS.
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 | 0,000 | 0,000 |
| 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 ».