Improvement in Heart Rate Variability Following Spinal Adjustment: A Case Study in Statistical Methodology for a Single Office Visit
Notice bibliographique
Résumé
Introduction: Statistical analysis is typically applied at the group level. The present study analyzes data during a single office visit as a novel approach providing real-time feedback to the clinician and patient regarding efficacy of an intervention. In this study, heart rate variability (HRV) was analyzed before versus after a chiropractic spinal adjustment. Methods: The patient is an adult female who signed a consent form for the study. HRV was measured twice before a chiropractic adjustment and once afterwards using app-based technology. The three HRV values (two pre and one post) were then statistically analyzed using an online calculator for outliers using Grubbs test. Results: The two pre-adjustment HRV (rMSSD) readings were consistently low: pre 1 = 16.0 milliseconds [ms] and pre 2 = 16.2 ms. The low HRV was an indicator that the patient’s nervous system was not functioning optimally. The patient’s atlas (C1) vertebra was palpated to be slightly out of alignment. These two findings (low HRV and vertebral misalignment) indicated the presence of a chiropractic subluxation (of the atlas vertebra). The subluxation was adjusted and within minutes the HRV increased (improved) to 27.5 ms. This improvement was calculated to be a statistically significant outlier (p < 0.05). Conclusion: This study is an example of how statistical methods can be applied to the level of an individual patient during one office visit to assess neurological effectiveness of a chiropractic adjustment. Since this is a case study, the results may not apply to all patients. Therefore, further studies in other patients, and for longer follow-up times, are reasonable next steps.
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 | 0,036 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».