Identification and measurement of dystonia in cerebral palsy
Notice bibliographique
Résumé
AIM: To establish the prevalence and severity of dystonia in a population of children with cerebral palsy (CP) with hypertonia assessment and measurement tools. METHOD: A cross-sectional study of 151 children (84 males, 67 females) with CP who were assessed with the Hypertonia Assessment Tool (HAT) and Barry-Albright Dystonia scale (BAD) for identification and measurement of severity of dystonia. HAT dystonia items were assessed for construct and convergent validity. RESULTS: Distribution by predominant motor type (PMT) was: 85% spastic, 14% dyskinetic, and 1% ataxic. Spastic and dyskinetic groups showed widespread evidence of dystonia according to HAT profiles and BAD scores. The dyskinetic PMT group had a higher mean BAD score than the spastic group (difference of 13 units, 95% CI 9.1-16.4). Dystonia severity (BAD score) increased linearly across gross motor (p<0.001), manual ability (p<0.001) and communication functional levels (p<0.001). Divergence was noted in how HAT item six identified dystonia compared to items one and two. INTERPRETATION: The HAT provided an estimate of the prevalence of both spasticity and dystonia in a large CP population, beyond predominant motor type. Dystonia is a common finding in the spastic PMT group, and its severity increases as motor function worsens. WHAT THIS PAPER ADDS: Dystonia is readily identified in cerebral palsy (CP) using the Hypertonia Assessment Tool, regardless of the predominant motor type. Spasticity and dystonia frequently coexist in the CP population. Severity of dystonia is inversely related to motor function.
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 | 0,000 |
| 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 ».