Impact of stimulating cognitive-motor training on neuropsychological status and quality of life in patients with Parkinson's disease
Notice bibliographique
Résumé
Motor and non-motor symptoms are identified in the clinical picture of Parkinson's disease (PD). Among its non-motor manifestations, cognitive impairment (CI) and emotional disorders play a special role in PD. It is important to search for new forms and methods of cognitive therapy in patients with PD. Objective:to analyze neuropsychological status and quality of life (QOL) in PD patients and to evaluate the efficiency of personalized combination therapy with a stimulating cognitive motor training on computer and mobile devices in these patients. Patients and methods. The investigation enrolled 112 patients with PD. A study group included 56 PD patients who received a cycle of combination therapy with cognitive-motor training on PC and mobile devices; a control group consisted of 56 PD patients who had only a drug therapy cycle. To evaluate neuropsychological status and QOL, the investigators used the Montreal Cognitive Assessment (MoCA), the McNair and Kahn memory self-evaluation scale, the Hospital Anxiety and Depression Scale (HADS), and the 36-Item Short Form Health Survey (SF-36) questionnaire. Results and discussion. According to MoCA scores, CI of varying severity was diagnosed in the majority of patients: in 75 and 80.4% in the study and control groups, respectively. Depressive syndrome was detected in 53.6 and 64.3% in these groups, respectively. According to the SF-36, the physical status of patients had the greatest effect in reducing their QOL. There were treatment-induced statistically significant positive changes for the following domains: physical functioning (p<0.01), role-physical functioning (p<0.001), pain intensity (p<0.01), general health (p<0.01), role emotional (p<0.0001), and mental health (p<0.01). Conclusion.The investigation has shown the efficiency of personalized therapy including stimulating cognitive-motor training on computer and mobile devices, which improves neuropsychological status and QOL in patients with PD.
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) | 0,000 | 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 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 ».