Bimanual Coordination in Individuals Post-stroke: Constraints, Rehabilitation Approaches and Measures: Systematic Review
Notice bibliographique
Résumé
To couple or not to couple is a dilemma for the CNS when performing bimanual goal-directed actions. Numerous interacting individual and task-related constraints contribute to the issue of effective movement coordination, and their impact on the emerging actions must be inferred from valid methodologies. This is particularly important when examining coordination in individuals with stroke undergoing rehabilitation. The purpose of this review was to identify the different constraints that may impact inter-limb coupling, and the rehabilitation approaches implemented to enhance those actions. Also, the measures incorporated to examine the effects of rehabilitation methods were reviewed. A literature search was conducted using CINAHL, PubMed and PsycINFO. Following the PRISMA 2020 guidelines, 789 relevant studies were identified, with 20 articles fulfilling the established criteria. Results showed that the impact of sex, time after stroke, type of stroke, and age were not examined in any studies reviewed. In terms of task constraints, most did not examine bimanual coordination explicitly. Bimanual movement training was the most prevalent. Regarding the dependent variables, clinician-reported and performance based scales were frequently used, while only eight studies implemented kinematic analysis, and only three examined inter-limb organization. None made explicit inferences to the existing theories of inter-limb coordination. In conclusion, important individual and task constraints on inter-limb coordination were scarcely examined. Also, majority of the studies did not involve bimanual tasks, or any measures of inter-limb coupling, thus the inferences should be treated with caution. Conceptually, all studies were data driven.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».