Quantitative physical performance tests can effectively detect Degenerative Cervical Myelopathy: A systematic review and meta-analysis
Notice bibliographique
Résumé
Abstract Purpose This review aimed to identify effective physical performance tests (PPT) as clinical outcome indicators for detecting and monitoring degenerative cervical myelopathy (DCM). Methods A comprehensive literature search was performed on seven electronic databases on the effectiveness in detection and monitoring of DCM by PPT. All included studies were reviewed and undergone quality assessments on the risk-of-bias by Newcastle-Ottawa Scale and were pooled by random-effect analysis with level of significance at 0.05. Homogeneity among studies was assessed by I 2 -statistics and effect of PPT was confirmed by Cohen’s d effect size and confidence intervals. Results Totally, 3111 articles were retrieved, and 19 studies were included for review and meta-analysis. There were 13 studies investigating PPT regarding the upper limbs and 12 studies regarding the lower limbs. Performance in 10-second-Grip-and-Release Test (G&R) and 9-Hole-Peg Test (9HPT) was studied in 10 and 3 articles, respectively, while 10-second-Stepping Test (SST), 30-meter-Walking Test (30MWT) and Foot-Tapping Test (FTT) for lower limbs were studied in 5, 4, and 3 articles correspondingly. Only 1 study utilized the Triangle-Stepping Test. High-quality study with fair risk-of-bias was revealed from Newcastle-Ottawa scale. Large effect size facilitated detection and monitoring in DCM was unveiling for G&R, 9HPT, SST, and 30MWT. FTT, while also effective, was hindered by a high-degree heterogeneity in the meta-analysis. Conclusion Effective PPT including G&R, 9HPT, SST, 30MWT, and FTT was identified for disease detection and monitoring in DCM.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,004 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».