Sensor-based 9-week Serial Balance Data Show Need for Individualized Baseline Profiles: Implications on Concussion Diagnosis
Notice bibliographique
Résumé
Objective: The ability to accurately identify concussions and assess recovery is essential to protect individuals from experiencing negative consequences regarding premature return-to-play. To date, there is no “gold” standard of concussion diagnosis nor method to track the recovery period. Instead, clinicians rely on symptom checklists and simple tests to inform clinical decisions. However, the timing and frequency of objective measurements to screen for impairment and monitor recovery remains underexamined. This study examines the potential of a rapid (5-min) sensor-based balance measurement on a habitual (i.e., pre/post-practice) schedule to screen for concussions. Design: A pilot study using a repeated observation design. Methods: Five varsity hockey players (3 males, 2 females) were recruited for a 9-week study. Each athlete was tested prior to and after practice using an IMU, performing a modified Balance Error Scoring System (BESS) test. Results: Sampled data used to estimate individual beta distributions indicates significant individual differences in balance behaviour across a range of metrics. Conclusions: This study supports the need for individualized baseline profiles for balance in order to achieve higher accuracy and sensitivity in concussion detection. Serial, habitual testing is recommended to enable concussion detection from objective measures with higher accuracy and sensitivity during sideline 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 | 0,001 | 0,006 |
| 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 | 0,000 |
| 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 ».