Virtual reality training enhances gait poststroke: a systematic review and meta‐analysis
Notice bibliographique
Résumé
Virtual reality (VR)-based interventions are gaining widespread attention for managing neurological disorders such as stroke. A metastatistical consensus regarding the intervention is strongly warranted. In this study, we attempt to address this gap in the literature and provide the current state of evidence for the effects of VR on gait performance. We conducted both between- and within-group meta-analyses to provide a state of evidence for VR. Moreover, we conducted a search adhering to PRISMA guidelines on nine databases. Out of 1866 records, 32 studies involving a total of 809 individuals were included in this review. Considering all included studies, significant enhancements in gait parameters were observed with VR-based interventions compared with conventional therapy. A between-group meta-analysis reported beneficial significant medium effects of VR training on cadence (Hedge's g = 0.55), stride length ((STrL; Hedge's g = 0.46), and gait speed (Hedge's g = 0.30). Similarly, a within-group meta-analysis further revealed positive medium effects of VR on cadence (Hedge's g = 0.76), STrL (Hedge's g = 0.61), and gait speed (Hedge's g = 0.69). Additional subgroup analyses revealed beneficial effects of joint application of VR and robot-assisted gait training on gait speed (Hedge's g = 0.50). Collectively, findings from this review provide evidence for the effectiveness of VR-based gait training for stroke survivors.
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 | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,022 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».