Motor imagery of gait: a new way to detect mild cognitive impairment?
Notice bibliographique
Résumé
OBJECTIVES: 1) To measure and compare the time required to perform (pTUG) and the time required to imagine (iTUG) the Timed Up & Go (TUG), and the time difference between these two tasks (i.e., TUG delta time) in older adults with cognitive decline (i.e., mild cognitive impairment (MCI) and mild-to-moderate Alzheimer disease and related disorders (ADRD)) and in cognitively healthy individuals (CHI); and 2) to examine any association between the TUG delta time and a cognitive status. METHODS: Sixty-six participants (24 CHI, 23 individuals with MCI, and 19 individuals with ADRD) were recruited in this cross-sectional study. The mean and standard deviation of the pTUG and iTUG completion times and the TUG delta time, as well as age, gender, and Mini-Mental State Examination (MMSE) scores were used as outcomes. Participants were separated into three groups based on the tertilization of TUG delta time: lowest (<13.6%; n = 22; best performance), intermediate (13.6-52.2%; n = 22), and highest tertile (>52.2%; n = 22, worst performance). RESULTS: Fewer CHI were in the group exhibiting the highest tertile of TUG delta time compared to individuals with lowest and intermediate TUG delta times (p = 0.013). Being in the highest tertile of the TUG delta time was associated with cognitive decline in the unadjusted model (p = 0.012 for MCI, and p = 0.021 for mild-to-moderate ADRD). In the multivariate models, this association remained significant only for individuals with MCI (p = 0.019 while adjusting for age and gender; p = 0.047 while adjusting for age, gender, and MMSE score; p = 0.012 for the stepwise backward model). CONCLUSIONS: Our results provide the first evidence that motor imagery of gait may be used as a biomarker of MCI in older adults.
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 ».