Post-stroke unilateral spatial neglect: virtual reality-based navigation and detection tasks reveal lateralized and non-lateralized deficits in tasks of varying perceptual and cognitive demands
Notice bibliographique
Résumé
BACKGROUND: Unilateral spatial neglect (USN), a highly prevalent and disabling post-stroke impairment, has been shown to affect the recovery of locomotor and navigation skills needed for community mobility. We recently found that USN alters goal-directed locomotion in conditions of different cognitive/perceptual demands. However, sensorimotor post-stroke dysfunction (e.g. decreased walking speed) could have influenced the results. Analogous to a previously used goal-directed locomotor paradigm, a seated, joystick-driven navigation experiment, minimizing locomotor demands, was employed in individuals with and without post-stroke USN (USN+ and USN-, respectively) and healthy controls (HC). METHODS: Participants (n = 15 per group) performed a seated, joystick-driven navigation and detection time task to targets 7 m away at 0°, ±15°/30° in actual (visually-guided), remembered (memory-guided) and shifting (visually-guided with representational updating component) conditions while immersed in a 3D virtual reality environment. RESULTS: Greater end-point mediolateral errors to left-sided targets (remembered and shifting conditions) and overall lengthier onsets in reorientation strategy (shifting condition) were found for USN+ vs. USN- and vs. HC (p < 0.05). USN+ individuals mostly overshot left targets (- 15°/- 30°). Greater delays in detection time for target locations across the visual spectrum (left, middle and right) were found in USN+ vs. USN- and HC groups (p < 0.05). CONCLUSION: USN-related attentional-perceptual deficits alter navigation abilities in memory-guided and shifting conditions, independently of post-stroke locomotor deficits. Lateralized and non-lateralized deficits in object detection are found. The employed paradigm could be considered in the design and development of sensitive and functional assessment methods for neglect; thereby addressing the drawbacks of currently used traditional paper-and-pencil tools.
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 | 0,000 | 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) | 0,002 | 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 ».