Challenges of Estimating Accurate Prevalence of Arm Weakness Early After Stroke
Notice bibliographique
Résumé
Background. Recent studies have reported lower statistics of upper limb (UL) weakness (48-57%) compared to widely cited values collected over 2 decades ago (70-80%). Objective. To explore potential factors contributing to the accuracy of prevalence values of UL weakness using a case study from a single regional centre. Methods. All patients admitted to the acute stroke unit with suspected diagnosis of stroke were screened from February 2016 to August 2017. Upper limb weakness was captured (a) prospectively using the Shoulder Abduction and Finger Extension (SAFE) score performed by unit physical therapists within 7 days post-stroke and (b) retrospectively via chart review using the National Institutes of Health Stroke Scale (NIHSS) arm score at admission and 24 hours post-admission. Results. A total of 656 patients were admitted with a first-ever stroke, and 621 (95%) individuals were administered the SAFE score. A total of 40% of individuals had UL weakness using the SAFE score (SAFE ≤8) at a mean time of 1.9 (SD 1.5) days post-stroke. In the same sample, 57% and 49% had UL weakness using the admission and 24-hour post-admission NIHSS arm score, respectively. Conclusions. The accuracy of population-level UL weakness prevalence values can be affected by weakness measure and score cut-off, time post-stroke weakness is captured, sample characteristics and use of single or multiple sites. Researchers using prevalence values for clinical trial planning should consider these attributes when using prevalence data for estimating recruitment rates and resource needs.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».