Robotic lower extremity exoskeleton use in a non-ambulatory child with cerebral palsy: a case study
Notice bibliographique
Résumé
PURPOSE: With few treatment options available for non-ambulatory children with cerebral palsy (CP), a robotic lower extremity gait trainer may provide a non-invasive addition to conventional treatment options. This case study investigates the usage and impact of robotic lower extremity gait trainer use in a participant with CP over the initial 3 months of use. MATERIALS AND METHODS: This prospective case study involves a 7-year old female (GMFCS V) with CP (registered clinical trial: NCT04251390). The participant used a Trexo Home robotic gait trainer (Trexo) in the community with assessments occurring in the home and school. Trexo usage and bowel movements (BMs) were tracked daily. Postural control and lower extremity range of motion (ROM) and spasticity were evaluated prior to Trexo use and weekly to biweekly thereafter. RESULTS: The participant used the device an average of 46 min/week, over 3.3 d/week. BM frequency increased from 0.4/d at baseline, to 1.2 (±0.5)/d during Trexo use. There were no diffuse systematic changes in postural stability, ROM or muscle spasticity, but specifically head control and spasticity in the knee flexors had improvements. CONCLUSIONS: Data and anecdotal reports suggest that regular use of the Trexo Home robotic gait trainer has positive outcomes on frequency and quality of BMs, and may improve head control, and knee flexor spasticity. Larger controlled studies are needed to evaluate the impacts of Trexo use in children with CP.Implications for RehabilitationNon-ambulatory children with CP can use and may experience benefits from using a robot-assisted gait trainer (RAGT).Constipation, aspects of balance and focal spasticity may improve.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».