Robotic Identification of Kinesthetic Deficits After Stroke
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Kinesthesia, the sense of body motion, is essential to proper control and execution of movement. Despite its importance for activities of daily living, no current clinical measures can objectively measure kinesthetic deficits. The goal of this study was to use robotic technology to quantify prevalence and severity of kinesthetic deficits of the upper limb poststroke. METHODS: Seventy-four neurologically intact subjects and 113 subjects with stroke (62 left-affected, 51 right-affected) performed a robot-based kinesthetic matching task with vision occluded. The robot moved the most affected arm at a preset speed, direction, and magnitude. Subjects were instructed to mirror-match the movement with their opposite arm (active arm). RESULTS: A large number of subjects with stroke were significantly impaired on measures of kinesthesia. We observed impairments in ability to match movement direction (69% and 49% impaired for left- and right-affected subjects, respectively) and movement magnitude (42% and 31%). We observed impairments to match movement speed (32% and 27%) and increased response latencies (48% and 20%). Movement direction errors and response latencies were related to clinical measures of function, motor recovery, and dexterity. CONCLUSIONS: Using a robotic approach, we found that 61% of acute stroke survivors (n=69) had kinesthetic deficits. Additionally, these deficits were highly related to existing clinical measures, suggesting the importance of kinesthesia in day-to-day function. Our methods allow for more sensitive, accurate, and objective identification of kinesthetic deficits after stroke. With this information, we can better inform clinical treatment strategies to improve poststroke rehabilitative care and outcomes.
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) | 0,001 | 0,001 |
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 ».