Test-retest reliability of the kinarm end-point robot for assessment of sensory, motor and neurocognitive function in athletes
Notice bibliographique
Résumé
Objective To determine the reliability of the KINARM robot in assessing sensorimotor and neurocognitive function in athletes. Design Test-retest reliability. Setting Sport Medicine Clinic. Participants Thirty-nine randomly selected athletes (mean age: 18±3 years) over 2011–2012 and 2014–2015 seasons. Outcome measures Sixty-three parameters from five robotic tasks (Visually Guided Reaching, Position Matching, Object Hit, Object Hit and Avoid, and Trail Making B) characterising sensorimotor and neurocognitive function. Each athlete was tested three times, with an average of 43±27 days between baseline (BL) and first retest (R1), and 306±32 days between R1 and second retest (R2). Reliability was assessed by intra-class correlation coefficients (ICCs) between BL and R1, and R1 and R2. Change in task performance between assessments was also evaluated with multivariate analysis of variance (MANOVA) and post-hoc comparisons within specific task parameters. Main results ICCs ranged from −0.03 to 0.94 and −0.52 to 0.93 for BL to R1 and R1 to R2, respectively. ICCs were moderate to high (≥0.5) for 46 of 63 parameters (68%) from BL to R1, and 48 of 63 parameters (76%) from R1 to R2. MANOVAs and post-hoc comparisons indicated improvements in performance on 12/63 parameters (19%) between BL and R1, and changes in performance on 11/63 parameters (17%) between BL and R2. No significant changes were revealed in parameter performance between R1 and R2 sessions. Conclusions Overall, results suggest moderate to good test-retest reliability for the majority of KINARM robot task parameters in measuring baseline sensorimotor and neurocognitive function in athletes. Competing interests Brian W Benson In the future may receive a small royalty from BKIN Technologies Ltd. in consideration for assisting with development and validation of the KINARM end-point robotic device for use in acute sport concussion assessment and management. None. Stephen H Scott Co-founder and CSO of BKIN Technologies that commercialises the KINARM robot.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».