Kinematic and kinetic assessment of upper limb movements in patients with writer's cramp
Notice bibliographique
Résumé
BACKGROUND: The assessment and treatment of writer's cramp is complicated due to the variations in the forces and angles of involved joints. Additionally, in some cases compensatory movements for cramp relief further complicates assessment. Currently these variables are subjectively measured with clinical scales and visual assessments. This subjectivity makes it difficult to successfully administer interventions such as Botulinum toxin injection or orthotics resulting in poor efficacy and significant side effects. METHOD: A multi-sensor system was used to record finger and wrist forces along with deviation angles at the wrist, elbow and shoulder while 9 patients with writer's cramp performed a series of standardized tasks on surfaces inclined at different angles. Clinical, kinetic, and kinematic information regarding cramping was collected. RESULTS: First, four tasks appeared to best predict cramp occurrence. Second, unique biomechanical profiles emerged for patients regarding force, angles and cramp severity. Third, cluster analyses using these features showed a clear separation of patients into two severity classes. Finally, a relationship between severity and kinetic-kinematic information suggested that primary cramping versus compensatory movements could be potentially inferred. CONCLUSIONS: The results demonstrate that using a set of standardized tasks and objective measures, individual profiles for arm movements and applied forces associated with writer's cramp can be generated. The clinician can then accurately target the biomechanics specifically, whether it is with injection or other rehabilitative measures, fulfilling an important unmet need in the treatment of writer's cramp.
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 ».