Exploration of outcome measures for assessing orthotic intervention in upper extremity peripheral nerve injuries: 2 case reports
Notice bibliographique
Résumé
In upper extremity peripheral nerve injuries, orthotic intervention has been used as a valuable device to restore function. However, there is lacking evidence to support it. The purpose of this study was to explore the application of body function's outcome measures for orthotic intervention evaluation in patients with peripheral nerve injury. Two participants sustaining a peripheral nerve injury who underwent orthotic intervention were assessed: subject 1 was a 25-year-old man with ulnar and median nerve injury presenting with a composite claw; subject 2, a 28-year-old man with radial nerve injury presenting with a dropped wrist. Strength, range of motion, and electromyography were measured in 2 conditions: wearing the orthosis and without it. The Jamar, Pinch Gauge, a 3D motion capture system (Optitrack-NaturalPoint), and surface electromyography (Trigno Wireless System, Delsys) were the chosen instruments. Both subjects presented differences in grip and pinch strength. In both tasks, subject 1 reached higher wrist extension while wearing the orthosis. Subject 2 reached higher wrist extension and radial deviation while wearing the orthosis. There were marked differences in both tasks for subject 2, especially the maintenance of wrist extension when wearing the orthosis. Electromyographic assessment showed higher root-mean-square values for all muscles, in both tasks for subject 1. For subject 2, a higher root-mean-square value was found for flexor carpi ulnaris during the execution of task 1 wearing the orthosis. Outcome measures of body function can quantify the impact of orthotic intervention in patients sustaining peripheral nerve injury, and therefore, they are feasible for evaluating it.
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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».