Supraspinal Control Predicts Locomotor Function and Forecasts Responsiveness to Training after Spinal Cord Injury
Notice bibliographique
Résumé
Restoration of walking ability is an area of great interest in the rehabilitation of persons with spinal cord injury. Because many cortical, subcortical, and spinal neural centers contribute to locomotor function, it is important that intervention strategies be designed to target neural elements at all levels of the neuraxis that are important for walking ability. While to date most strategies have focused on activation of spinal circuits, more recent studies are investigating the value of engaging supraspinal circuits. Despite the apparent potential of pharmacological, biological, and genetic approaches, as yet none has proved more effective than physical therapeutic rehabilitation strategies. By making optimal use of the potential of the nervous system to respond to training, strategies can be developed that meet the unique needs of each person. To complement the development of optimal training interventions, it is valuable to have the ability to predict future walking function based on early clinical presentation, and to forecast responsiveness to training. A number of clinical prediction rules and association models based on common clinical measures have been developed with the intent, respectively, to predict future walking function based on early clinical presentation, and to delineate characteristics associated with responsiveness to training. Further, a number of variables that are correlated with walking function have been identified. Not surprisingly, most of these prediction rules, association models, and correlated variables incorporate measures of volitional lower extremity strength, illustrating the important influence of supraspinal centers in the production of walking behavior in humans.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».