Investigation of the Kinematic Upper-Limb Movement Assessment (KUMA): A Pilot Study
Notice bibliographique
Résumé
Purpose: Upper limb movement disorders are common after stroke and can severely impact activities of daily living. Available clinical measures of these disorders are subjective and may lack the sensitivity needed to track a patient’s progress and to compare different therapies. Kinematic analyses can provide clinicians with more objective measures for evaluating the effects of rehabilitation. We present a novel method to assess the quality of upper limb movement: the Kinematic Upper-limb Movement Assessment (KUMA). This assessment uses motion capture to provide three kinematic measures of upper limb movement: active range of motion, speed, and compensatory trunk movement. The researchers sought to evaluate the ability of the KUMA to distinguish motion in the affected versus unaffected limb. Method: We used the KUMA with three participants with stroke to assess three single-joint movements in: wrist flexion and extension, elbow flexion and extension, and shoulder flexion/extension and abduction/adduction. Participants also completed the Modified Ashworth Scale and the Chedoke-McMaster Stroke Assessment, two clinical measures of functional ability. Results: The KUMA distinguished between affected and unaffected upper limb motion. Conclusions: The KUMA provides clinicians with supplementary objective information for motion characterization that is not available through clinical measures alone. The KUMA can complement existing clinical measures such as the MAS and CMSA and can be helpful for monitoring patient progress.
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) | 0,000 | 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) | 0,001 | 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 ».