Robotic task specific training for upper limb neurorehabilitation: a mixed methods feasibility trial reporting achievable dose
Notice bibliographique
Résumé
PURPOSE: Robotic devices for upper-limb neurorehabilitation allow an increase in intensity of practice, often relying on video game-based training strategies with limited capacity to individualise training and integrate functional training. This study shows the development of a robotic Task Specific Training (TST) protocol and evaluate the achieved dose. MATERIALS AND METHODS: Mixed-method study. A 3D robotic device for the upper limb, was made available to therapists for use during neurorehabilitation sessions. A first phase allowed clinicians to define a dedicated session protocol for TST. In a second phase the protocol was applied and the achieved dose was measured. RESULTS: = 10). Intervention duration: 4.5 ± 0.8 weeks, session frequency: 1.4 ± 0.2sessions/week, session length: 42 ± 9mins, session density: 39 ± 13%, intensity: 214 ± 84 movements/session, difficulty: dn = 0.77 ± 0.1 (normalised reaching distance) and Ɵ = 6.3 ± 23° (transverse reaching angle). Sessions' density and intensity were consistent across participants but clear differences of difficulty were observed. No changes in metrics were observed over the intervention. CONCLUSIONS: Robotic systems can support TST with high therapy intensity by modulating the practice difficulty to participants' needs and capabilities.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».