Locomotor and robotic assistive gait training for children with cerebral palsy
Notice bibliographique
Résumé
AIM: To determine if robotic assisted gait training (RAGT) using surface muscle electrical stimulation and locomotor training enhances mobility outcomes when compared to locomotor training alone in children with cerebral palsy (CP). METHOD: Forty children (18 females, 22 males; mean age 8y 1mo, SD 2y 1mo; range 5y 1mo-12y 11mo) with CP in Gross Motor Function Classification System levels (GMFCS) III, IV, and V were randomly assigned to the RAGT and locomotor training (RAGT+LT) group or locomotor training only group (dosage for both: three 1-hour sessions a week for 6 weeks). Outcomes were assessed at baseline T1 (week 0), post-treatment T2 (week 6), and retention T3 (week 26). The primary outcome measure was the Goal Attainment Scale. Secondary outcome measures included the 10-metre walk test, children's functional independence measure mobility and self-care domain, the Canadian Occupational Performance Measure, and the Gross Motor Function Measure. RESULTS: There were no significant differences between the groups for both the primary and secondary outcome measures. All participants completed the intervention in their original group allocation. There were no reported adverse events. INTERPRETATION: The addition of RAGT to locomotor training does not significantly improve motor outcomes in children with CP in GMFCS levels III, IV, and V. Future studies could investigate health and well-being outcomes after locomotor training. WHAT THIS PAPER ADDS: Marginally ambulant and non-ambulant children with cerebral palsy can participate in locomotor training. Robotic assisted gait training when added to locomotor training does not appear to be any more effective than locomotor training alone.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».