KAPS (kinematic assessment of passive stretch): a tool to assess elbow flexor and extensor spasticity after stroke using a robotic exoskeleton
Notice bibliographique
Résumé
BACKGROUND: Spasticity is a common sequela of stroke. Traditional assessment methods include relatively coarse scales that may not capture all characteristics of elevated muscle tone. Thus, the aim of this study was to develop a tool to quantitatively assess post-stroke spasticity in the upper extremity. METHODS: Ninety-six healthy individuals and 46 individuals with stroke participated in this study. The kinematic assessment of passive stretch (KAPS) protocol consisted of passive elbow stretch in flexion and extension across an 80° range in 5 movement durations. Seven parameters were identified and assessed to characterize spasticity (peak velocity, final angle, creep (or release), between-arm peak velocity difference, between-arm final angle, between-arm creep, and between-arm catch angle). RESULTS: The fastest movement duration (600 ms) was most effective at identifying impairment in each parameter associated with spasticity. A decrease in peak velocity during passive stretch between the affected and unaffected limb was most effective at identifying individuals as impaired. Spasticity was also associated with a decreased passive range (final angle) and a classic 'catch and release' as seen through between-arm catch and creep metrics. CONCLUSIONS: The KAPS protocol and robotic technology can provide a sensitive and quantitative assessment of post-stroke elbow spasticity not currently attainable through traditional measures.
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 | 0,000 |
| 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 ».