Goalkeeper Game: A New Assessment Tool for Prediction of Gait Performance Under Complex Condition in People With Parkinson's Disease
Notice bibliographique
Résumé
Background: People with Parkinson’s disease (PD) display poorer gait performance when walking under complex conditions than under simple condi- tions. Screening tests that evaluate gait performance changes under complex walking conditions may be valuable tools for early intervention, especially if allowing for massive data collection. Objectives: To investigate the use of the Goalkeeper Game (GG) to pre- dict impairment in gait performance under complex conditions in people with Parkinson?s disease (PPD) and compare its predictive power with the one of the Montreal Cognitive Assessment (MoCA) test. Methods: 74 PPD (H&Y stages: 23 in stage 1; 31 in stage 2; 20 in stage 3), without dementia (MoCA cut-off 21), tested in ON period with dopaminer- gic medication were submitted to single individual cognitive/motor evaluation sessions. MoCA and GG were used to assess cognition, and the dynamic gait index (DGI) test was used to assess gait performance under complex condi- tion. GG test resulted in 9 measures extracted via a statistical model. The predictive power of the GG measures and the MoCA score with respect to gait performance, as assessed by DGI, were compared. Results: The predictive models based on GG and MoCA score obtained, respectively, sensitivities of 65% and 56% for DGI scores at a 50% specificity. Conclusion: GG is a novel tool for noninvasive screening that showed a superior predictive power in assessing gait performance under complex condition in people with PD than the well-established MoCa test.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».