MétaCan
Menu
Retour à la cohorte
Enregistrement W2053470739 · doi:10.4061/2010/732508

Evaluating the Contributions of Dynamic Flow to Freezing of Gait in Parkinson's Disease

2010· article· en· W2053470739 sur OpenAlexafffund
Chad A. Lebold, Quincy J. Almeida

Notice bibliographique

RevueParkinson s Disease · 2010
Typearticle
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGaitParkinson's diseaseMedicinePhysical medicine and rehabilitationSensory cueGait analysisGait DisturbanceDiseaseArtificial intelligenceComputer sciencePathology

Résumé

récupéré en direct d'OpenAlex

Although visual cues can improve gait in Parkinson's disease (PD), their underlying mechanism is poorly understood. Previous research suggests that cues contribute optical flow that is essential to elicit gait improvement. The present study manipulated how optic flow was provided, and how this might influence freezing of gait (FOG) in PD. Therefore, three groups; 15 PD FOG, 16 PD non-FOG, and 16 healthy controls were tested in 3 narrow doorway conditions; baseline (Narrow), ground lines (Ground), and laser (Laser). Step length indicated that the PD FOG group was only able to improve with ground lines, while the laser increased gait variability and double support time. These results suggest that optic flow in itself is not enough to elicit gait improvement in PD. When PD patients use visual cues, gait becomes less automatically controlled and hence preplanned conscious control may be an important factor contributing to gait improvement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,143
Score d'incertitude au seuil0,658

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,401
Écart entre enseignants0,370 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueParkinson s DiseaseMême sujetBalance, Gait, and Falls PreventionTravaux en français237 207