Effectiveness of cognitive rehabilitation on mild cognitive impairment using teleneuropsychology
Notice bibliographique
Résumé
The COVID-19 pandemic has affected the continuity of cognitive rehabilitation worldwide. However, the use of teleneuropsychology to provide cognitive rehabilitation has contributed significantly to the continuity of the treatment. Objectives: To measure the effects of cognitive telerehabilitation on cognition, neuropsychiatric symptoms, and memory strategies in a cohort of patients with mild cognitive impairment. Methods: A sample of 60 patients with mild cognitive impairment according to Petersen's criteria was randomly divided into two groups: 30 treatment cases and 30 controls (waiting list group). Subjects were matched by age, sex, and Montreal Cognitive Assessment. The treatment group received ten cognitive telerehabilitation sessions of 45 minutes duration once a week. Pre-treatment (week 0) and post-treatment (week 10) measures were assessed for both groups. Different linear mixed models were estimated to test treatment effect (cognitive telerehabilitation vs. controls) on each outcome of interest over time (pre/post-intervention). Results: A significant group (control/treatment) x time (pre/post) interaction revealed that the treatment group at week 10 had better scores in cognitive variables: memory (RAVLT learning trials p=0.030; RAVLT delayed recall p=0.029), phonological fluency (p=0.001), activities of daily living (FAQ p=0.001), satisfaction with memory performance (MMQ satisfaction p=0.004) and use of memory strategies (MMQ strategy p=0.000), as well as, and a significant reduction of affective symptomatology: depression (GDS p=0.000), neuropsychiatric symptoms (NPI-Q p=0.045), forgetfulness (EDO-10 p=0.000), and stress (DAS stress p=0.000). Conclusions: Our study suggests that CTR is an effective intervention.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».