LEAN MASS AS AN IMPORTANT PREDICTOR FOR BONE MINERAL CONTENT OF THE HEMIPARETIC UPPER EXTREMITY IN CHRONIC STROKE: IMPLICATIONS FOR REHABILITATION.
Notice bibliographique
Résumé
PURPOSE/HYPOTHESIS: (1) To evaluate bone mineral content (BMC) and lean mass of the arms in individuals with chronic stroke (onset >1 year), (2) To determine the predictors for paretic arm BMC and lean mass. NUMBER OF SUBJECTS: 57. MATERIALS/METHODS: Fifty-seven individuals (50 years of age or more) with chronic stroke underwent a total body scan using Dual-energy X-ray Absorptiometry (DXA). BMC and lean mass of both arms were determined from the scans. The paretic arm was also evaluated for (1) muscle strength (hand-held dynamometry),(2) motor function (Wolf Motor Functional Test), and (3) amount of use (amount of use scale in the Motor Activity Log). RESULTS: The paretic arm showed a significant 14.8% (p<0.001) and 10.7% (p<0.001) lower BMC and lean mass, respectively, than the non-paretic arm. Multiple regression analyses showed that paretic arm lean mass was the most important predictor of paretic arm BMC, accounting for 73.9% of its variance (p<0.001) while muscle strength accounted for 7.8% of the variance in paretic arm lean mass (p<0.001). Paretic arm strength was highly correlated with Wolf Motor Function Test score (r= 0.720, p<0.001) and amount of use scale in the Motor Activity Log (r=0.642, p<0.001). CONCLUSIONS: Individuals with chronic stroke have significant bone loss and muscle atrophy in the paretic arm. Paretic arm lean mass is the most important predictor of its BMC. Muscle strength, on the other hand, is a significant predictor of the paretic arm lean mass. CLINICAL RELEVANCE: Rehabilitation should include strength training for improving muscle and bone health of the paretic arm.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 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 ».