Virtual reality treatment and assessments for post-stroke unilateral spatial neglect: A systematic literature review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Unilateral spatial neglect (USN) is a highly prevalent post-stroke deficit. Currently, there is no gold standard USN assessment which encompasses the heterogeneity of this disorder and that is sensitive to detect mild deficits. Similarly, there is a limited number of high quality studies suggesting that conventional USN treatments are effective in improving functional outcomes and reducing disability. Virtual reality (VR) provides enhanced methods for USN assessment and treatment. To establish best-practice recommendations with respect to its use, it is necessary to appraise the existing evidence. This systematic review aimed to identify and appraise existing VR-based USN assessments; and to determine whether VR is more effective than conventional therapy. Assessment tools were critically appraised using standard criteria. The methodological quality of the treatment trials was rated by two authors. The level of evidence according to stage of recovery was determined. Findings were compiled into a VR-based USN Assessment and Treatment Toolkit (VR-ATT). Twenty-three studies were identified. The proposed VR tools augmented the conventional assessment strategies. However, most studies lacked analysis of psychometric properties. There is limited evidence that VR is more effective than conventional therapy in improving USN symptoms in patients with stroke. It was concluded that VR-ATT could facilitate identification and decision-making as to the appropriateness of VR-based USN assessments and treatments across the continuum of stroke care, but more evidence is required on treatment 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.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 découle