Outpatient Motor Retraining for Functional Movement Disorder: Predictors of a Favorable Short‐Term Response
Notice bibliographique
Résumé
Background: Treating functional movement disorder (FMD) with motor retraining is effective but resource intensive. Objectives: Identify patient, disease, and program variables associated with favorable treatment outcomes. Methods: Retrospective review of the 1 week intensive outpatient FMD program at Mayo Clinic in Minnesota from February 2019 to August 2021. Outcomes included patient-reported measures (Canadian Occupational Performance Measure-Performance and Satisfaction subscales [COPM-P and COPM-S, range 0-10] and Global Rating of Change [GROC, -7 to +7]) and a retrospective investigator-rated scale (0-3, worse/not improved to significantly improved/resolved). Linear regression models identified variables predicting favorable outcomes. Results: Participants (n = 201, 74% female, mean age = 46) had median FMD duration of 24 months. The commonest FMD subtypes were gait disorder (65%), tremor (41%) and weakness (17%); 53% had ≥2 subtypes. Most patients (88%) completed a therapeutic screening process before program entry. Patient-reported outcomes at the end of the week improved substantially (COPM-P average change 3.8 ± 1.9; GROC post-program average 5.5 ± 1.7). Available investigator-rated outcomes from short-term follow-up were also positive (102/122 [84%] moderately to significantly improved/resolved). Factors predicting greater improvement in COPM-P were completing therapeutic screening, higher number of non-motor symptoms, shorter FMD duration, earlier program entry, lower baseline COPM scores, and (among screened patients) higher GROC between therapeutic screening and program start. Conclusion: Patients with diverse FMD subtypes improved substantially over a 1 week period. Utilization of therapeutic screening and greater improvement between therapeutic screening and program start were novel predictors of favorable outcomes. Non-motor symptoms did not preclude positive responses, although patients with predominant non-motor burden were excluded.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».