Tests of Motor Function in Patients Suspected of Having Mild Unilateral Cerebral Lesions
Notice bibliographique
Résumé
OBJECTIVE: Though various textbooks describe clinical manoeuvres that help detect subtle motor deficits, their sensitivity, specificity and predictive values have not been determined. We investigated the sensitivity, specificity and predictive values of various manoeuvres in order to determine the most sensitive and reliable test or combination thereof. METHODS: Straight arm raising (Barré), pronator drift, Mingazzini's manoeuvre, finger tap, forearm roll, segmental strength and deep tendon reflexes were tested in 170 patients with (86) and without (84) a proven lesion in the motor areas confirmed by computed tomography. RESULTS: Segmental motor strength bad good specificity (97.5%) but poor sensitivity (38.9%) and negative predictive value (NPV) (58.7%). The forearm roll had a similar profile. Finger tap had a sensitivity of 73.3% and a specificity of 87.5%. Barré and pronator testing had a sensitivity and specificity of 92.2% and 90.0% respectively. Hyperreflexia had a sensitivity of 68.9% and a specificity of 87.5%. An abnormality of pronator, reflexes or finger tap had a sensitivity of 97%, and when these three tests were positive, specificity was 97%. When all six tests were positive, the positive predictive value was 100%, when all six tests were negative the NPV was 100%. CONCLUSION: The detailed segmental examination has very good specificity for detecting motor deficits, but the sensitivity and NPV are unacceptably low. Pronator drift with finger tap and reflexes is the most reliable and time-effective combination of tests for the detection of subtle motor lesions, and could replace the segmental motor examination as a screening for motor lesions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».