Effectiveness of Specific Training on Physical Functional Improvement and Walking Speed in Patients with Knee Osteoarthritis
Notice bibliographique
Résumé
Background: Osteoarthritis (OA) is a musculoskeletal disorder which is a progressive change in joints that is slow and intermittent, usually in the field there are exercises to strengthen muscles which are only supported by the agonist muscles while the antagonistic muscles also participate and even more dominant, the most approved intervention to be able to activate both muscles is a special task. The purpose of this study is to study whether there are functional requirements for specific tasks to improve the functioning and running of osteoarthritis patients.Subjects and Method: This study method uses the type of experimental research with a single case research method using A-B-A research design. The study was conducted in January 2020 located at the University of Muhammadiyah Surakarta. A patient with knee OA was selected using consecutive sampling. Functional ability and walking speed were tested by West Ontario and McMaster Osteoarthritis Index (WOMAC).Results: Specific training improved physical function and speed walking in patients with knee osteoarthritis. There was no effect of specific training on pain and stiffness.Conclusion: Task specific training improves functional ability and walking performance in aptient with knee osteoarthritis.Keywords: Osteoarthritis, task specific training, visual surface electromyograph, augmented feedback, functional ability.Correspondence: Suryo Saputra Perdana. Faculty of Health Sciences, Universitas Muhammadiyah Surakarta, Jl. Ahmad Yani, Tromol Pos 1, Pabelan Kartasura, Sukoharjo 57169, Central Java, Indonesia. Phone: +6281298563988. Email: suryo.saputra@ums.ac.id.Indonesian Journal of Medicine (2022), 07(01): 89-101https://doi.org/10.26911/theijmed.2022.07.01.10
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 | 0,001 | 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 | 0,000 | 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 ».