Long-term effects of deep-learning digital therapeutics on pain, movement control, and preliminary cost-effectiveness in low back pain: A randomized controlled trial
Notice bibliographique
Résumé
Objective The present study aimed to compare the effects of a deep learning–based digital application with digital application physical therapy (DPT) and those of conventional physical therapy (CPT) on back pain intensity, limited functional ability, lower extremity weakness, radicular symptoms, limited range of motion (ROM), functional movement, quality of life, cost-effectiveness, and postintervention questionnaires for perceived transmission risk of COVID-19 and satisfaction results in 100 participants with low back pain (LBP). Methods One hundred participants with LBP were randomized into either DPT or CPT groups, three times per week over four weeks. Outcome measures included the (1) Oswestry Disability Index, (2) Quebec Back Pain Disability Scale, (3) Roland–Morris Disability Questionnaire (RMDQ), (4) Numeric Pain Rating Scale, (5) functional movement screen (FMS), (6) short form-12, (7) lower extremity strength, (8) ROM of trunk flexion, extension, and bilateral side bending, (9) questionnaires for perceived transmission risk of COVID-19, (10) preliminary cost-effectiveness, and (11) postintervention satisfaction questionnaire results. The analysis of variance was conducted at p < 0.05. Results Analysis of variance showed that DPT showed superior effects, compared to CPT on RMDQ, hip extensor strength, transmission risk of COVID-19, as well as satisfaction. Both groups showed significant improvement pre- and postintervention, suggesting that DPT is as effective as CPT, and was superior in preliminary cost-effectiveness and transmission risk of COVID-19. Conclusions Our results provide novel, promising clinical evidence that DPT was as effective as CPT in improving structural and functional impairment, activity limitation, and participation restriction. Our results highlight the successful incorporation of DPT intervention for clinical outcome measures, lower extremity strength, trunk mobility, ADL improvement, QOL improvement, and FMS in LBP.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».