Relationship Between Clinical Assessments of Function and Measurements From an Upper-Limb Robotic Rehabilitation Device in Cervical Spinal Cord Injury
Notice bibliographique
Résumé
Upper limb robotic rehabilitation devices can collect quantitative data about the user's movements. Identifying relationships between robotic sensor data and manual clinical assessment scores would enable more precise tracking of the time course of recovery after injury and reduce the need for time-consuming manual assessments by skilled personnel. This study used measurements from robotic rehabilitation sessions to predict clinical scores in a traumatic cervical spinal cord injury (SCI) population. A retrospective analysis was conducted on data collected from subjects using the Armeo Spring (Hocoma, AG) in three rehabilitation centers. Fourteen predictive variables were explored, relating to range-of-motion, movement smoothness, and grip ability. Regression models using up to four predictors were developed to describe the following clinical scores: the GRASSP (consisting of four sub-scores), the ARAT, and the SCIM. The resulting adjusted R(2) value was highest for the GRASSP "Quantitative Prehension" component (0.78), and lowest for the GRASSP "Sensibility" component (0.54). In contrast to comparable studies in stroke survivors, movement smoothness was least beneficial for predicting clinical scores in SCI. Prediction of upper-limb clinical scores in SCI is feasible using measurements from a robotic rehabilitation device, without the need for dedicated assessment procedures.
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 | 0,001 | 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 ».