MétaCan
Menu
Retour à la cohorte
Enregistrement W4409430666 · doi:10.2196/58142

Feasibility and Effects of a Gait Assistance and Gait Resistance Training Program Using a Walking-Assist Wearable Robot for Community-Dwelling Older Adults: Single-Group, Pre-, and Posttest Study

2025· article· en· W4409430666 sur OpenAlexvenueno aff
Eunhee Cho, Sinwoo Hwang, Seok‐Jae Heo, Bokman Lim, J.H. Lee, Younbaek Lee

Notice bibliographique

RevueJMIR mhealth and uhealth · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueProsthetics and Rehabilitation Robotics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGaitWearable computerPhysical medicine and rehabilitationPreprintGait trainingTest (biology)PsychologyWearable technologyPhysical therapyRobotMedicineComputer scienceRehabilitationArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Background: Two-thirds of people aged 65 years and older may require help with daily activities such as eating, bathing, and getting in and out of bed or a chair. Walking-assist wearable robots have shown significant improvements in physical function in controlled settings for patients. Objective: In this study, we aimed to assess the feasibility and the effect of a gait assistance and gait resistance training program using a walking-assist wearable robot for community-dwelling older adults. Methods: A total of 23 community-dwelling older adults aged 65 years and older (30 participants recruited, 7 dropped out) enrolled in a 12-session, 6-week gait assistance and gait resistance training program using a walking-assist wearable robot. A single-group, pre- and posttest design was employed to evaluate the feasibility based on program adherence and effectiveness. The primary and secondary outcomes for evaluating effectiveness were walking speed and functional performance, respectively. Results: Regarding the feasibility, the average number of sessions attended was 11.7 out of 12, indicating a mean adherence rate of 97.8%. Linear mixed model analysis revealed significant improvements in walking speed and functional performance at the end of the program compared with baseline. Specifically, the walking speed measured using the 10-Meter Walk Test, which includes self-selected velocity and fastest safe velocity, improved by a mean of 0.15 (SD 0.13) m/s (P<.001) and 0.15 (SD 0.17) m/s (P<.001), respectively. Functional performance also improved, with faster performance in Timed Up-and-Go (mean -0.63, SD 0.92 s; P=.003) and Four Square Step Test (mean -1.71, SD 1.64 s; P≤.001). Leg muscle strength increased across all measured domains, including plantarflexion (mean +7.29, SD 4.92; P=.004), hip adduction (mean +3.03, SD 2.73; P≤.001), hip extension (mean +2.63, SD 2.50; P≤.001), knee extension (mean +2.33, SD 3.12; P≤.001), knee flexion (mean +2.19, SD 2.17; P≤.001), dorsiflexion (mean +2.10, SD 3.06; P≤.001), hip abduction (mean +1.59, SD 1.92; P=.002), and hip flexion (mean +0.90, SD 1.56; P≤.001). Conclusions: This study stands out for applying gait assistance and resistance training across various terrains, unlike previous studies that only tested gait assistance in controlled environments. The results demonstrated significant improvements in walking speed and functional performance in older adults, suggesting the effectiveness of preventive health care services using a walking-assist wearable robot as an intervention that can contribute to improving independent functioning and frailty among community-dwelling older adults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,650
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,341
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetProsthetics and Rehabilitation RoboticsTravaux en français237 207