INNOVATION IN AGING & ACQUIRED BRAIN INJURY REHABILITATION: THE POTENTIAL OF MIXED REALITY TECHNOLOGIES
Notice bibliographique
Résumé
Abstract Background Every 21 seconds an American experiences a Traumatic Brain Injury (TBI), and every 40 seconds, another endures a stroke. These events fall under Acquired Brain Injuries (ABI) with prevalence rates impacted by an aging population. ABI can lead to various physical, cognitive, and mental impairments, emphasizing the need for innovative rehabilitation strategies, including those specific to older adults. Mixed Reality (MR) technologies offer potential in enhancing ABI rehabilitation, yet face challenges such as methodological inconsistencies, differing clinical populations, and exaggerated efficacy claims. Objectives 1) Review MR’s role in ABI rehabilitation among older adults, assessing the implications of aging, clinical, and technological considerations. 2) Present ongoing MR research at the Glenrose Rehabilitation Hospital (GRH, Edmonton, Canada). Methods 1) A systematic review following PRISMA guidelines was performed across seven databases, with two independent reviewers analyzing the data. The analysis emphasized clinical objectives, MR systems, levels of evidence, and technology readiness levels. 2) QR codes that link to videos will highlight the ongoing research and development of MR-delivered ABI rehabilitation at the GRH. Results Twenty-six studies met the inclusion criteria, totalling 453 subjects with ABI (mean age: 60 ± 5.34 years). MR applications mainly targeted upper limb motor rehabilitation, revealing an overall low level of evidence and a median technology readiness level of 6 (prototypes tested in relevant environments). Conclusion Despite existing variability and technological challenges, the promising results stress the importance of ongoing research and innovation in MR rehabilitation. The GRH stands as a key research hub, actively advancing this field.
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 | 0,032 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».