Digital interventions for cognitive dysfunction in stroke patients:Systematic Review and Meta-analysis (Preprint)
Notice bibliographique
Résumé
<sec> <title>BACKGROUND</title> In recent years, digital technologies have shown possibilities for improving cognitive function after stroke, but their effectiveness and treatment options vary, the optimal treatment remains unclear, and the current evidence is somewhat contradictory. </sec> <sec> <title>OBJECTIVE</title> To evaluate the efficacy of various digital interventions in improving post-stroke cognitive function and provide evidence-based support for clinical decision-making. </sec> <sec> <title>METHODS</title> This study adhered to the PRISMA guidelines for systematic review. We conducted searches in PubMed, Web of Science, Cochrane Library, Scopus, EMBASE, and CNKI databases from inception to January 2025. Outcomes included the Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA). Randomized controlled trials (RCTs) were included. </sec> <sec> <title>RESULTS</title> A total of 2,128 articles were retrieved, with 27 meeting the inclusion criteria. Compared to conventional rehabilitation or care, computer-assisted cognitive therapy (CACT) demonstrated significant superiority in MoCA scores (MD=2.36, 95% CI=1.45 to 3.27; SUCRA=83.2%); while cognitive training (CCT) demonstrated no statistical difference (MD=0.28, 95% CI=−0.81 to 1.37). For MMSE scores, robot-assisted therapy (RAT) ranked highest in efficacy (MD=5.77, 95% CI=3.47–8.08; SUCRA=99%); whereas both virtual reality (VR) (MD=0.69, 95% CI=−0.93 to 2.31) and CCT (MD=0.78, 95% CI=−1.19 to 2.75) showed no significant improvement. </sec> <sec> <title>CONCLUSIONS</title> Digital therapies effectively improve cognitive function in post-stroke patients. CACT exhibited superior efficacy in MoCA (which emphasizes executive function), while RAT ranked highest in MMSE (which focuses on basic cognition), suggesting distinct domain-specific effects. However, caution is warranted due to heterogeneity, risk of bias, and limited sample sizes in the included studies. Future research should focus on optimizing intervention protocols, integrating neuroregulatory or traditional Chinese rehabilitation techniques, and exploring cost-effective strategies for clinical implementation. </sec> <sec> <title>CLINICALTRIAL</title> CRD420251006601 </sec>
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».