Effectiveness of brain—computer interfaces and cognitive training using computer technologies in restoring cognitive functions in patients after stroke
Notice bibliographique
Résumé
<h3>ЦЕЛЬ ИССЛЕДОВАНИЯ</h3> Изучение эффективности применения технологий интерфейса «мозг—компьютер» (ИМК) и когнитивных тренингов с использованием компьютерных технологий в восстановлении когнитивных функций (КФ) у пациентов после церебрального инсульта (ЦИ). <h3>МАТЕРИАЛ И МЕТОДЫ</h3> Включены 34 пациента с давностью ЦИ 5,1±4,7 мес, средний возраст 59,3±10,8 года. Для оценки эффективности лечения пациентам до и после лечения было проведено тестирование по шкалам: запоминание 10 слов по А.Р. Лурия, Монреальская шкала оценки когнитивных функций (MoCA), тест рисования часов (CDT). Все пациенты получали стандартную восстановительную терапию (лечебная физкультура, физиотерапевтические процедуры, занятия с логопедом-нейропсихологом). Пациенты 1-й группы получали тренинги на комплексе «Нейрочат», 2-й группы — на комплексе «Экзокисть-2», 3-й группы — когнитивные тренировки по стандартным программам с использованием компьютерных технологий и наглядного материала. <h3>РЕЗУЛЬТАТЫ</h3> У пациентов всех трех групп было отмечено статистически значимое улучшение общего балла по MoCA: в 1-й и 2-й группах — <i>p</i><0,01, в 3-й группе — <i>p</i><0,05. Метод запоминания 10 слов выявил улучшение памяти во всех группах, более выраженные в 1-й и 2-й (<i>p</i><0,01). По CDT отмечена статистически значимая динамика во 2-й группе (<i>p</i>=0,018). <h3>ЗАКЛЮЧЕНИЕ</h3> Получены данные об эффективности применения ИМК при восстановлении КФ у пациентов после перенесенного ЦИ по сравнению с когнитивными тренингами без обратной связи. Есть основания полагать, что различные ИМК обладают специфическим воздействием на различные КФ и имеют разные целевые группы.
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 | 0,001 |
| 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 ».