A Primary Care Provider’s Guide to Spasticity Management in Spinal Cord Injury
Notice bibliographique
Résumé
Abstract Background: Muscle spasticity is a common sequela of spinal cord injury (SCI) that may impact daily function. Spasticity dynamically varies and is an important physiologic response to illness or other stressors. The challenge for the general practitioner is in recognizing, treating, and developing an effective plan focused on the patient’s individual goals. Objective: To provide the general practitioner with a basic contextual, diagnostic, and therapeutic approach to spasticity management for individuals with neurologic injury such as SCI. Discussion: Muscle spasticity can be disabling and can be managed effectively by using a comprehensive approach. We discuss a representative case and the assessment and planning for individuals with SCI and spasticity. Through an understanding of pathophysiology, careful history taking, and physical exam, a cause for increased spasticity can be identified, such as infection, constipation, or pregnancy. Symptomatology of these triggers is often quite different in the SCI population than in the general population. Management includes the treatment of this causative stressor as well as the thoughtful management of spasticity itself. Conclusion: Muscle spasticity is dynamic and requires a patient-centered approach. The general practitioner can play a key role in recognizing and treating spasticity in an individual with SCI. Comprehensive management to meet patient and caregiver goals involves primary care providers, specialists, and allied health practitioners.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».