Virtual Reality and Noninvasive Brain Stimulation in Stroke: How Effective Is Their Combination for Upper Limb Motor Improvement?—A Meta‐Analysis
Notice bibliographique
Résumé
BACKGROUND: Efforts to augment post-stroke upper limb (UL) motor improvement include the use of newer interventions such as noninvasive brain stimulation (NIBS) and task practice in virtual reality environments (VEs). Despite increasing interest in using a combination of these 2 interventions, the effectiveness of this combination to enhance UL motor improvement outcomes has not been examined. OBJECTIVE: To evaluate the effectiveness of a combination of NIBS and task practice in a VE to augment post-stroke UL motor improvement. METHODS: We conducted a systematic search of the published literature using standard methodology. The Down and Black checklist and the Physiotherapy Evidence Database Research Organization Scale were used to assess study quality. We compared changes in UL impairment and activity levels between active stimulation and sham or other interventions using standardized mean differences and derived a summary effect size. RESULTS: We retrieved 5 studies that examined the role of a combination of NIBS and task practice in a VE to optimize UL motor improvement. These 5 studies included 3 randomized controlled trials, 1 cross-sectional study, and 1 crossover study. There was level 1a evidence that the combination was beneficial in subacute stroke. There was level 1b evidence that provision of real stimulation was not superior to sham stimulation in chronic stroke. Effect sizes favoring the combination were moderate for improvements in UL impairment and small for activity levels. CONCLUSIONS: Preliminary evidence supports the effectiveness of this combination in subacute stroke. Emergent questions need to be addressed to derive maximum benefit of this combination to augment post-stroke UL motor improvement. LEVEL OF EVIDENCE: I.
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 | 0,016 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,022 | 0,055 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».