MétaCan
Menu
Retour à la cohorte
Enregistrement W2996789565 · doi:10.17392/970-18

Effects of kinesiotherapy on muscle strengthening in patients with Parkinson disease

2018· article· en· W2996789565 sur OpenAlexaff
Edina Tanović, Adnana Talić-Tanović, Jasminka Đelilović-Vranić, Amir Rekić, Adnan Papović, Emina Tanović

Notice bibliographique

RevueMedicinski Glasnik · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueParkinson's Disease Mechanisms and Treatments
Établissements canadiensHealth Care Foundation
Organismes subventionnairesnon disponible
Mots-clésMedicineMuscle strengthSignificant differenceRehabilitationParkinson's diseaseStatistical analysisPhysical therapyAffect (linguistics)DiseaseProspective cohort studyInternal medicinePsychology

Résumé

récupéré en direct d'OpenAlex

Aim To investigate the effect of kinesiotherapy on muscle strengthening in patients with Parkinon's disease. Methods This clinical retrospective - prospective study was based on collected data from medical histories and included 40 patients, who, beside medicaments, had undergone kinesiotherapy. This study analysed age, gender, duration of the rehabilitation and estimation of the gross muscle strength at admittance and discharge using Manual Muscle Test (MMT). Results Females was slightly more represented in the total sample without significant statistical difference. After kinesiotherapy significant statistical difference in muscle strength was observed, average MMT of the upper extremities increased from 3.25±0.6 to 3.53±0.8 and on the lower extremities from 2.9±0.8 to 3.3±0.9. The analysis of the gender on the higher score of MMT showed that gender does not affect the score of MMT. Correlational analysis of the age and duration of hospitalization on the score of MMT showed that patients with longer hospitalization had better improvement. Conclusion Results of the study showed that kinesiotherapy has positive effect on muscle strength in patients with Parkinson's disease.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,233
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedicinski GlasnikMême sujetParkinson's Disease Mechanisms and TreatmentsTravaux en français237 207