Application of Commercial Games for Home-Based Rehabilitation for People with Hemiparesis: Challenges and Lessons Learned
Notice bibliographique
Résumé
OBJECTIVE: To identify the factors that influence the use of an at-home virtual rehabilitation gaming system from the perspective of therapists, engineers, and adults and adolescents with hemiparesis secondary to stroke, brain injury, and cerebral palsy. MATERIALS AND METHODS: This study reports on qualitative findings from a study, involving seven adults (two female; mean age: 65 ± 8 years) and three adolescents (one female; mean age: 15 ± 2 years) with hemiparesis, evaluating the feasibility and clinical effectiveness of a home-based custom-designed virtual rehabilitation system over 2 months. Thematic analysis was used to analyze qualitative data from therapists' weekly telephone interview notes, research team documentation regarding issues raised during technical support interactions, and the transcript of a poststudy debriefing session involving research team members and collaborators. RESULTS: Qualitative themes that emerged suggested that system use was associated with three key factors as follows: (1) the technology itself (e.g., characteristics of the games and their clinical implications, system accessibility, and hardware and software design); (2) communication processes (e.g., preferences and effectiveness of methods used during the study); and (3) knowledge and training of participants and therapists on the technology's use (e.g., familiarity with Facebook, time required to gain competence with the system, and need for clinical observations during remote therapy). Strategies to address these factors are proposed. CONCLUSION: Lessons learned from this study can inform future clinical and implementation research using commercial videogames and social media platforms. The capacity to track compensatory movements, clinical considerations in game selection, the provision of kinematic and treatment progress reports to participants, and effective communication and training for therapists and participants may enhance research success, system usability, and adoption.
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 | 0,011 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».