PROPRIOCEPTIVE NEUROMUSCULAR FACILITATION - AN INNOVATIVE APPROACH TO TREAT OSTEOARTHRITIS KNEE PATIENTS.
Notice bibliographique
Résumé
Aim: Osteoarthritis (OA) knee is one of the major cause of mobility impairment, particularly amongpeople of age group 40 years and above .Though there are many treatments available for OA both Pharmacological and Non pharmacological, explore of PNF technique in OA knee is still in lacunae. To fillip the gap, the aim of this study is to find out the immediate effect of Proprioceptive Neuromuscular Facilitation (PNF) stretching in osteoarthritis knee patients. Methods: A prospective study was conducted at National Institute of Medical Science Superspeciality Hospital, Jaipur. This study included 1 00 patients and they were divided into Group A (n=50), which was control group and Group B (n=50) was experimental group.Group A and B under went out comemeasur ing tools like p ain measured using Numeric Pain Rating Scale (NPRS), Range of Motion ( R OM) of knee joint measured using Universal g oniometer and Functional activities of knee joint measured using short form Western Ontario and Mc Master Universities Osteoarthritis Index (WOMAC) before and after treatment. Group A patients receivedMoist Hot Pack (MHP) in knee joint for 5 minutes , where as Group B patients received MHP for 5 minutes and PNF stretching(Contract Relax - Antagonist Contract) for 3 min utes. The pre and post treatment data were recorded in Microsoft Excel and Student T- Test was used to evaluate clinical significance between groups. Results: It was found that Group B patients treated by PNF stretching improved a lot in OA knee symptoms with negligible effects in Group A patients treated by Moist hot pack. Conclusion: It was concluded from the study that PNF stretching may be a treatment option for patients with OA knee .
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».