Virtual Reality and Noninvasive Brain Stimulation in Stroke: How Effective Is Their Combination for Upper Limb Motor Improvement?—A Meta‐Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 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 découle