Physical impairments predict hand dexterity function after distal radius fractures: A 2-year prospective cohort study
Notice bibliographique
Résumé
Introduction The overall aim of this study was to determine whether physical impairments – loss of range of motion and grip strength – could be used to predict hand dexterity functions in patients at 1 and 2 years after distal radius fracture. Methods This was a prospective cohort study. Hand dexterity was assessed at three different levels using the NK hand dexterity test. We used a manual goniometer to measure the active range of motion in the affected hand for wrist flexion and extension movements, and a J-Tech grip strength device to measure patients’ hand grip strength levels. Assessments were performed at 1- and 2-year follow-ups. Separate multivariable regression analyses were performed to determine if range of motion predicts hand dexterity functions at 1 and 2 years after distal radius fracture. Results A total of 160 patients with distal radius fracture were included in this study. Range of motion (flexion and extension) and grip strength were both statistically significant (p < 0.05) independent variables in predicting hand dexterity functions at all three levels among patients after distal radius fracture at 1-year follow-up. Range of motion and strength levels accounted for 31%, 33% and 22% of the variance in patients’ large, medium and small hand dexterity functions, respectively. At 2 years, grip strength remained the only statistically significant (p < 0.001) independent variable in predicting hand dexterity functions at all three levels. Conclusions Physical impairments (loss of range of motion and grip strength) have higher predictive values for large and medium hand dexterity functions, than small hand dexterity functions, in patients after distal radius fracture, at both 1- and 2-year follow-up periods.
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 ».