Effects of Tai Chi exercise on improving walking function and posture control in elderly patients with knee osteoarthritis
Notice bibliographique
Résumé
OBJECTIVE: It remains unclear whether Tai Chi is effective for walking function and posture control improvements in aged populations with knee osteoarthritis. The aim of this study was to systematically evaluate the effects of Tai Chi on improving walking function and posture control in elderly patients with knee osteoarthritis by updating the latest trial evidence. METHODS: Web of Science, PubMed/Medline, Embase, Scopus, PEDro, and Cochrane library were searched up to October 1, 2020 to identify RCTs evaluating Tai Chi for improving walking function and posture control in older adults with knee osteoarthritis. The primary outcomes were walking function and posture control. Meta-analysis was performed with RevMan Version 5.3 software. RESULTS: A total of 603 participants with knee osteoarthritis in the 11 trials were included. The results of meta-analysis showed that: The Tai Chi group was associated with better performance in 6-minute walk test (6 MWT), time up and go test (TUG) and "Western Ontario and McMaster Universities (WOMAC) Osteoarthritis Index" Physical Function Score than the control group ([MD: 46.67, 95% CI 36.91-56.43, P < .001]), ([MD: -0.89, 95% CI -1.16 to -0.61, P < .001]), ([MD: -11.28, 95% CI -13.33 to -9.24, P < .001]). CONCLUSION: This meta-analysis provided evidence from 11 RCTs that Tai Chi could be an excellent physical training strategy for improving walking function and posture control in older adults with knee osteoarthritis. Assuming that Tai Chi is at least effective and safe in most areas, it can be used as an adjuvant and reliable physical training strategy for walking function upgrading and balance control improvements for older patients with knee osteoarthritis.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 ».