Responsiveness and trajectory of changes in the rating of everyday arm-use in the community and home (REACH) scale over the first-year post-stroke
Notice bibliographique
Résumé
OBJECTIVE: To examine the trajectory of the Rating of Everyday Arm-use in the Community and Home (REACH) scores over the first-year post-stroke, determine if REACH scores are modified by baseline impairment level and explore the responsiveness of the REACH scale through hypothesis testing. DESIGN: Consecutive sample longitudinal study. SETTING: Participants were recruited from an acute stroke unit and followed up at three, six, and 12 months post-stroke. PARTICIPANTS: Seventy-three participants with upper limb weakness (Shoulder Abduction and Finger Extension score ≤ 8). MAIN MEASURES: The REACH scale is a six-level self-report classification scale that captures how the affected upper limb is being used in one's own environment. The Fugl-Meyer Upper Limb Assessment (FMA-UL), Stroke Upper Limb Capacity Scale (SULCS), accelerometer-based activity count ratio and Global Rating of Change Scale (GRCS) were used to capture upper limb impairment, capacity, and use. RESULTS: The following proportions of participants improved at least one REACH level: 64% from baseline to three months, 37% from three to six months and 13% from six to 12 months post-stroke. The trajectory of REACH scores over time was associated with baseline impairment. Change in REACH had a moderate correlation to change in SULCS and the GRCS but not FMA-UL or the activity count ratio. CONCLUSIONS: Results of hypothesis testing provide preliminary evidence of the responsiveness of the REACH scale. On average, individuals with severe impairment continued to show improvement in use over the first year, while those with mild/moderate impairment plateaued and a small proportion decreased in the early chronic phase.
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 | 0,010 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».