Assessment of Upper-Limb Sensorimotor Function of Subacute Stroke Patients Using Visually Guided Reaching
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
OBJECTIVE: Using robotic technology, we examined the ability of a visually guided reaching task to assess the sensorimotor function of patients with stroke. METHODS: Ninety-one healthy participants and 52 with subacute stroke of mild to moderate severity (26 with left- and 26 with right-affected body sides) performed an unassisted reaching task using the KINARM robot. Each participant was assessed using 12 movement parameters that were grouped into 5 attributes of sensorimotor control. RESULTS: A number of movement parameters individually identified a large number of stroke participants as being different from 95% of the controls-most notably initial direction error, which identified 81% of left-affected patients. We also found interlimb differences in performance between the arms of those with stroke compared with controls. For example, whereas only 31% of left-affected participants showed differences in reaction time with their affected arm, 54% showed abnormal interlimb differences in reaction time. Good interrater reliability (r > 0.7) was observed for 9 of the 12 movement parameters. Finally, many stroke patients deemed impaired on the reaching task had been scored 6 or less on the arm portion of the Chedoke-McMaster Stroke Assessment Scale, but some who scored a normal 7 were also deemed impaired in reaching. CONCLUSIONS: Robotic technology using a visually guided reaching task can provide reliable information with greater sensitivity about a patient's sensorimotor impairments following stroke than a standard clinical assessment scale.
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 | 0,000 | 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