EFFECTS OF CERVICAL TRACTION AND INFRARED THERAPY ON PAIN INTENSITY AND NECK DISABILITY INDEX AMONG PEOPLE WITH CERVICAL SPONDYLOSIS: A CROSS-OVER COHORT STUDY
Notice bibliographique
Résumé
Objective: To investigate the effects of six-week cervical traction and infrared therapy on neck pain intensity (PI) and neck disability index (NDI) among individuals with cervical spondylosis. Methods: This study was a non-randomized cross-over cohort design. A total of 40 participants (men=20, and women=20) who were purposively selected, received a six-week infrared therapy, observed a one-week washout period, and then six-week concurrent infrared therapy and cervical traction. The PI and NDI were measured at baseline, after infrared therapy, the washout period, and infrared plus cervical traction. Data were analyzed using repeated-measures analysis of variance (RM ANOVA), Friedman’s ANOVA, independent samples t-test, and Kendall’s tau correlation test. Result: The mean age of the participants was 40±8.60 years. Infrared therapy plus cervical traction significantly reduced PI: [Formula: see text] 2 (3)=102.06, [Formula: see text], and NDI: F (1, 39) = 222.56, [Formula: see text], relative to infrared therapy alone. Specifically, the minimum clinically important difference (MCID) for PI was 2.2, while infrared alone reduced the PI by 1.0 (Z = 4.633, [Formula: see text]), infrared therapy plus cervical traction reduced PI by 6.0 (Z = 7.405, [Formula: see text]). The MCID for NDI was 8.50, while infrared alone reduced the NDI by 1.05 (t = 30.087, [Formula: see text]), infrared therapy plus cervical traction reduced NDI by 15.83 ([Formula: see text], [Formula: see text]). Conclusion: Concurrent infrared and cervical traction significantly reduced PI and NDI among patients with cervical spondylosis more than lone infrared therapy.
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 | 0,009 | 0,002 |
| 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 | 0,002 |
| 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 ».