Error Enhancement for Upper Limb Rehabilitation in the Chronic Phase after Stroke: A 5-Day Pre-Post Intervention Study
Notice bibliographique
Résumé
A large proportion of chronic stroke survivors still struggle with upper limb (UL) problems in daily activities, typically reaching tasks. During three-dimensional reaching movements, the deXtreme robot offers error enhancement forces. Error enhancement aims to improve the quality of movement. We investigated clinical and patient-reported outcomes and assessed the quality of movement before and after a 5 h error enhancement training with the deXtreme robot. This pilot study had a pre-post intervention design, recruiting 22 patients (mean age: 57 years, mean days post-stroke: 1571, male/female: 12/10) in the chronic phase post-stroke with UL motor impairments. Patients received 1 h robot treatment for five days and were assessed at baseline and after training, collecting (1) clinical, (2) patient-reported, and (3) kinematic (KINARM, BKIN Technologies Ltd., Kingston, ON, Canada) outcome measures. Our analysis revealed significant improvements (median improvement (Q1–Q3)) in (1) UL Fugl–Meyer assessment (1.0 (0.8–3.0), p < 0.001) and action research arm test (2.0 (0.8–2.0), p < 0.001); (2) motor activity log, amount of use (0.1 (0.0–0.3), p < 0.001) and quality of use (0.1 (0.1–0.5), p < 0.001) subscale; (3) KINARM-evaluated position sense (−0.45 (−0.81–0.09), p = 0.030) after training. These findings provide insight into clinical self-reported and kinematic improvements in UL functioning after five hours of error enhancement UL training.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».