Examining Differences in Patterns of Sensory and Motor Recovery After Stroke With Robotics
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Developing a better understanding of the trajectory and timing of stroke recovery is critical for developing patient-centered rehabilitation approaches. Here, we quantified proprioceptive and motor deficits using robotic technology during the first 6 months post stroke to characterize timing and patterns in recovery. We also make comparisons of robotic assessments to traditional clinical measures. METHODS: One hundred sixteen subjects with unilateral stroke were studied at 4 time points: 1, 6, 12, and 26 weeks post stroke. Subjects performed robotic assessments of proprioceptive (position sense and kinesthesia) and motor function (unilateral reaching task and bimanual object hit task), as well as several clinical measures (Functional Independence Measure, Purdue Pegboard, and Chedoke-McMaster Stroke Assessment). RESULTS: One week post stroke, many subjects displayed proprioceptive (48% position sense and 68% kinesthesia) and motor impairments (80% unilateral reaching and 85% bilateral movement). Interindividual recovery on robotic measures was highly variable. However, we characterized recovery as early (normal by 6 weeks post stroke), late (normal by 26 weeks post stroke), or incomplete (impaired at 26 weeks post stroke). Proprioceptive and motor recovery often followed different timelines. Across all time points, robotic measures were correlated with clinical measures. CONCLUSIONS: These results highlight the need for more sensitive, targeted identification of sensory and motor deficits to optimize rehabilitation after stroke. Furthermore, the trajectory of recovery for some individuals with mild to moderate stroke may be much longer than previously considered.
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 ».