What evidence exists for new strategies or technologies in the diagnosis of sports concussion and assessment of recovery?
Notice bibliographique
Résumé
OBJECTIVE: The purpose of this critical review is to summarise the evidence for the following technologies/strategies related to diagnosing or managing sports-related concussion: quantitative EEG, functional neuroimaging, head impact sensors, telemedicine and mobile devices. DATA SOURCES: MEDLINE, PubMed, Cochrane Controlled Trials Registers, SportDiscus, EMBASE, Web of Science and ProQuest databases. Primary search keywords were concussion, sports concussion and mild traumatic brain injury. The keywords used for secondary, topic specific searches were quantitative electroencephalography, qEEG, functionalMRI, magnetoencephalography, near-infrared spectroscopy, positron emission tomography, single photon emissionCT, accelerometer, impact sensor, telemetry, remote monitoring, robotic medicine, telemedicine, mobile device, mobile phone, smart phone and tablet computer. RESULTS: The primary search produced 8567 publications. The secondary searches produced nine publications that presented original data, included a comparison group in the study design and involved sports-related concussion. Four studies spoke to the potential of qEEG as a diagnostic or management tool, while five studies addressed the potential of fMRI to be used in the same capacity. CONCLUSIONS: Emerging technologies and novel approaches that aid in sports concussion diagnosis and management are being introduced at a rapid rate. While some technologies show promise, their clinical utility remains to be established.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».