Arm Motor Recovery Using a Virtual Reality Intervention in Chronic Stroke
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Despite interest in virtual environments (VEs) for poststroke arm motor rehabilitation, advantages over physical environment (PE) training have not been established. OBJECTIVE: The authors compared kinematic and clinical outcomes of dose-matched upper-limb training between a 3D VE and a PE in chronic stroke. METHODS: Participants (n = 32) were randomized to a 3D VE or PE for training. They pointed to 6 workspace targets (72 trials, 12 trials/target, randomized) for 12 sessions over 4 weeks with similar feedback on precision, movement speed, and trunk displacement. Primary (kinematics, clinical arm motor impairment) and secondary (activity level, arm use) outcomes were compared by time (PRE, POST, and follow-up, RET), training environment, and impairment severity (mild, moderate-to-severe) using mixed-model analyses of variance (ANOVAs). RESULTS: Endpoint speed, overall performance on a reach-to-grasp task, and activity levels increased in both groups. Only participants in the VE group improved shoulder horizontal adduction at POST (9.5°) and flexion at both POST (6.3°) and RET (13°). Impairment level affected outcomes. After VE training, the mild group increased elbow extension (RET, 25.5°). The moderate-to-severe group in VE increased arm use at POST (0.5 points) and reaching ability at RET (2.2 points). The moderate-to-severe group training in PE increased reaching ability earlier (POST, 1.7 points) and both elbow extension (10.7°) and arm use (0.4 points) at RET, but these changes were accompanied by increased compensatory trunk displacement (RET, 30.2 mm). CONCLUSION: VE training led to more changes in the mild group and a motor recovery pattern in the moderate-to-severe group indicative of less compensation, possibly because of a better use of feedback.
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.
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 | 0,001 | 0,001 |
| 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 découle