Utilization of motor imagery in upper limb rehabilitation: a systematic scoping review
Notice bibliographique
Résumé
OBJECTIVE: To determine how motor imagery is being delivered in upper limb rehabilitation to guide practice and research. DATA SOURCE: MEDLINE, PubMed, CINAHL, EMBASE, PsychINFO databases were searched from 1987 to November 2014 STUDY SELECTION: English, adults, any clinical population or diagnosis, intervention for upper limb with an outcome measure used. All types of studies were included. Two authors independently selected studies for review using consensus. DATA EXTRACTION: Seven motor imagery elements were extracted using a model implemented in sport research: PETTLEP model (Physical, Environment, Task, Timing, Learning, Emotion, and Perspective). RESULTS: The search yielded 1107 articles with 1059 excluded leaving 48 articles for full review. A total of 38 articles involved individuals with stroke, five articles involved individuals with complex regional pain syndrome, and five articles for other conditions. Motor imagery elements most commonly described were physical, environment, task, and perspective. Elements less commonly described were timing, learning, and emotional aspects. There were significant differences between study populations (e.g. stroke and complex regional pain syndrome) and within populations on how motor imagery was delivered. CONCLUSION: Many of the imagery elements reviewed are not being considered or reported on in the selected studies. How motor imagery is being delivered within and between populations is inconsistent, which may lead to difficulties in determining key elements of effectiveness.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».