Robotic technology quantifies novel perceptual-motor impairments in patients with chronic kidney disease
Notice bibliographique
Résumé
BACKGROUND: Neurocognitive impairment is commonly reported in patients with chronic kidney disease (CKD). The precise nature of this impairment is unclear, due to the lack of objective and quantitative assessment tools used. The feasibility of using robotic technology to precisely quantify neurocognitive impairment in patients with CKD is unknown. METHODS: Patients with stage 4 and 5 CKD with no previous history of stroke or neurodegenerative disease were eligible for study enrollment. Feasibility was defined as successful study enrollment, high data capture rates (> 90%), and assessment tolerability. Our assessment included a traditional assessment: The Repeatable Battery for the Assessment of Neuropsychological Status (RBANS), and a robot-based assessment: Kinarm. RESULTS: Our enrollment rate was 1.6 patients/month. All patients completed the RBANS portion of the assessment, with a 97.8% (range 92-100%) completion rate on Kinarm. Missing data on Kinarm were mainly due to time constraints. Data from 49 CKD patients were analyzed. Kinarm defined more individuals as impaired, compared to RBANS, particularly in the domains of perceptual-motor function (17-49% impairment), complex attention (22-49% impairment), and executive function (29-37.5% impairment). Demographic features (sex and education) predicted performance on some, but not all neurocognitive tasks. CONCLUSIONS: It is feasible to quantify neurocognitive impairments in patients with CKD using robotic technology. Kinarm characterized more patients with CKD as impaired, and importantly identified novel perceptual-motor impairments in these patients, when compared to traditional assessments.
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 | 0,001 | 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 ».