Visuomotor Integration Assessment Using Immersive Virtual Reality for Children With Cerebral Palsy: A Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Visuomotor integration (VMI) impairments are common in children with cerebral palsy (CP) and can impact performance of goal-directed upper-extremity tasks. VMI impairment is clinically assessed using the gold-standard Beery-Buktenica test, whereas research paradigms use computerized assessments incorporating eye and hand movement tracking with touchscreen displays. Immersive virtual reality (VR) may potentially enable more ecologically valid VMI assessments through the inclusion of 3D tasks and visual distractions. However, the potential of immersive VR as a VMI assessment method in children with CP has not been evaluated. The current study aims to investigate how VR can assess VMI impairments in children with CP. METHODS: Twelve children with CP completed the Beery-Buktenica VMI test and performed eye-only, hand-only and eye-hand VMI tasks in touchscreen, visually simple VR and visually complex VR conditions. Eye and hand endpoint accuracy and task completion time quantified VMI performance. We compared performance on each task and in each environment between children with below- versus above-average Beery-VMI scores. RESULTS: There were no significant relationships between Beery-VMI score and eye-hand task performance in visually simple VR. Compared to the touchscreen task, participants demonstrated significantly reduced eye and hand endpoint accuracy in visually simple VR, with no difference between Beery-VMI groups. Children with below-average Beery-VMI scores decreased eye endpoint accuracy and increased trial completion time in visually complex VR. CONCLUSION: Findings from this pilot study do not support immersive VR as a VMI assessment method in children with CP.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».