Robotic Assessment of Sensorimotor Deficits After Traumatic Brain Injury
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Robotic technology is commonly used to quantify aspects of typical sensorimotor function. We evaluated the feasibility of using robotic technology to assess visuomotor and position sense impairments following traumatic brain injury (TBI). We present results of robotic sensorimotor function testing in 12 subjects with TBI, who had a range of initial severities (9 severe, 2 moderate, 1 mild), and contrast these results with those of clinical tests. We also compared these with robotic test outcomes in persons without disability. METHODS: For each subject with TBI, a review of the initial injury and neuroradiologic findings was conducted. Following this, each subject completed a number of standardized clinical measures (Fugl-Meyer Assessment, Purdue Peg Board, Montreal Cognitive Assessment, Rancho Los Amigos Scale), followed by two robotic tasks. A visually guided reaching task was performed to assess visuomotor control of the upper limb. An arm position-matching task was used to assess position sense. Robotic task performance in the subjects with TBI was compared with findings in a cohort of 170 person without disabilities. RESULTS: Subjects with TBI demonstrated a broad range of sensory and motor deficits on robotic testing. Notably, several subjects with TBI displayed significant deficits in one or both of the robotic tasks, despite normal scores on traditional clinical motor and cognitive assessment measures. DISCUSSION AND CONCLUSIONS: The findings demonstrate the potential of robotic assessments for identifying deficits in visuomotor control and position sense following TBI. Improved identification of neurologic impairments following TBI may ultimately enhance rehabilitation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».