Predicting Improved Daily Use of the More Affected Arm Poststroke Following Constraint-Induced Movement Therapy
Notice bibliographique
Résumé
BACKGROUND: Constraint-induced movement therapy (CI therapy) produces, on average, large and clinically meaningful improvements in the daily use of a more affected upper extremity in individuals with hemiparesis. However, individual responses vary widely. OBJECTIVE: The study objective was to investigate the extent to which individual characteristics before treatment predict improved use of the more affected arm following CI therapy. DESIGN: This study was a retrospective analysis of 47 people who had chronic (> 6 months) mild to moderate upper extremity hemiparesis and were consecutively enrolled in 2 CI therapy randomized controlled trials. METHODS: An enhanced probabilistic neural network model predicted whether individuals showed a low, medium, or high response to CI therapy, as measured with the Motor Activity Log, on the basis of the following baseline assessments: Wolf Motor Function Test, Semmes-Weinstein Monofilament Test of touch threshold, Motor Activity Log, and Montreal Cognitive Assessment. Then, a neural dynamic classification algorithm was applied to improve prognostic accuracy using the most accurate combination obtained in the previous step. RESULTS: Motor ability and tactile sense predicted improvement in arm use for daily activities following intensive upper extremity rehabilitation with an accuracy of nearly 100%. Complex patterns of interaction among these predictors were observed. LIMITATIONS: The fact that this study was a retrospective analysis with a moderate sample size was a limitation. CONCLUSIONS: Advanced machine learning/classification algorithms produce more accurate personalized predictions of rehabilitation outcomes than commonly used general linear models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 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 ».