Video Game–Based Rehabilitation Approach for Individuals Who Have Undergone Upper Limb Amputation: Case-Control Study
Notice bibliographique
Résumé
BACKGROUND: Brain plasticity is an important factor in prosthesis usage. This plasticity helps with brain adaptation to learn new movement and coordination patterns needed to control a prosthetic hand. It can be achieved through repetitive muscle training that is usually very exhausting and often results in considerable reduction in patient motivation. Previous studies have shown that a playful concept in rehabilitation can increase patient engagement and perseverance. OBJECTIVE: This study investigated whether the inclusion of video games in the upper limb amputee rehabilitation protocol could have a beneficial impact for muscle preparation, coordination, and patient motivation among individuals who have undergone transradial upper limb amputation. METHODS: Ten participants, including five amputee participants and five able-bodied participants, were enrolled in 10 1-hour sessions within a 4-week rehabilitation program. In order to investigate the effects of the rehabilitation protocol used in this study, virtual reality box and block tests and electromyography (EMG) assessments were performed. Maximum voluntary contraction was measured before, immediately after, and 2 days after interacting with four different EMG-controlled video games. Participant motivation was assessed with the Intrinsic Motivation Inventory (IMI) questionnaire and user evaluation survey. RESULTS: =0.95, P<.001). The maximum voluntary contraction increment was high before training (6.8%) and in the follow-up session (7.1%), but was very small (2.1%) shortly after the training was conducted. The IMI assessment showed high scores for the subscales of interest, perceived competence, choice, and usefulness, but low scores for pressure and tension. CONCLUSIONS: This study demonstrated that video games enhance motivation and adherence in an upper limb amputee rehabilitation program. The use of video games could be seen as a complementary approach for physical training in upper limb amputee rehabilitation.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».