Effects of Balance-Based Exergame Training With Variable Difficulty on Balance and Spatiotemporal Gait Outcomes in Adults With Mild Cognitive Impairment: Randomized Controlled Trial (Preprint)
Notice bibliographique
Résumé
BACKGROUND Exergame balance training integrates cognitive and motor challenges, potentially enhancing neuroplasticity, postural control, and gait stability in mild cognitive impairment (MCI). However, whether modulating the task difficulty of a balance-based exergame training may influence posture- and gait-related outcomes remains unknown. OBJECTIVE We compared balance and gait improvements across exergame training groups performing exercise with different difficulty levels and a Wii Fit group in adults with MCI. METHODS This 4-armed, parallel design, double-blinded, randomized clinical trial included 97 participants with MCI (Montreal Cognitive Assessment score=18-25). Participants were convenience-sampled from the Railway General Hospital, Rawalpindi, Pakistan, and randomized to one of 4 intervention groups: low-difficulty, moderate-difficulty, high-difficulty exergame training or a Wii Fit training group. Each participant completed 24 sessions (40 min, 3/week) supervised by physical therapists. Gait and balance were assessed using time up and go (TUG), cognitive time up and go (C-TUG), and the Gait & Balance mobile app at baseline and after 4 and 8 weeks. Although the calculated sample size was 80, 97 were recruited to offset attrition. Eighty-seven participants completed the study (94% adherence) (attrition: low-difficulty 1, moderate 3, high 2, Wii Fit 2; 10% total). Data were analyzed using mixed-model analysis of covariance with baseline values as covariates to assess time×group interactions. Bonferroni-adjusted post hoc comparisons revealed between-group differences. RESULTS High-difficulty training showed the greatest TUG gains (–0.71, SD 0.32; P=.03, anteroposterior (AP) steadiness with eyes open (EO) on firm surface (0.04, SD 0.02; P=.04), step time variability head forward (HF; 0.06, SD 0.09; P=.02), walking speed HF (0.08, SD 0.04; P=.05), step time head turn (HT; –0.04, SD 0.02; P=.04), step time variability HT (–0.35, SD 0.09; P<.001), step length variability (–0.27, SD 0.13; P=.04), and walking speed HT (0.09, SD 0.04; P=.01) versus Wii Fit. Moderate-difficulty training improved AP steadiness EO firm (0.05, SD 0.02; P=.03) and reduced step time variability HT (–0.26, SD 0.09; P=.01). Low-difficulty training improved C-TUG (–1.61, SD 0.63; P=.01), AP steadiness EO firm (0.05, SD 0.02; P=.03), step time variability HF (–0.20, SD 0.09; P=.03), step time variability HT (–0.25, SD 0.09; P=.01), step length variability (–0.31, SD 0.12; P=.014), and walking speed HT (0.11, SD 0.04; P=.03). No significant differences observed between exergame difficulty groups (P>.05). CONCLUSIONS Balance-based exergame training improves balance and gait in adults with MCI, with no significant differences across difficulty levels, while the high- and low-difficulty training outperformed Wii Fit in several outcomes. High-difficulty training yielded the most consistent improvements in TUG, postural steadiness, gait variability, and walking speed. These results support graded cognitive-motor exergaming as an effective strategy for enhancing postural control and walking stability in MCI, potentially aiding fall prevention and mobility preservation in aging populations. CLINICALTRIAL ClinicalTrials.gov NCT04959383; https://clinicaltrials.gov/study/NCT04959383
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».