Body Representation in Stroke Patients: A Systematic Review of Human Figure Graphic Representation
Notice bibliographique
Résumé
Background: Body representation is a complex process involving sensory, motor, and cognitive information. Frequently, it is disrupted after a stroke, impairing rehabilitation, emotional functioning, and daily functioning. The human figure graphic representation has emerged as a holistic tool to assess post-stroke outcomes. Objectives: This systematic review examines the methodologies of human figure representation tests and their application in assessing post-stroke body representation, emphasizing its role in bridging subjective patient experiences with objective metrics. Methods: This review follows the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) statement. A literature search was conducted through the databases PubMed, Scopus, Embase, Web of Science, and Google Scholar, collecting publications eligible for qualitative analysis. We selected studies where patients drew human figures in the study design to assess body representation, involving exclusively the adult stroke population. The Newcastle–Ottawa Scale was used to assess the risk of bias. Results: Ten studies were analyzed. The tool demonstrated versatility in capturing unilateral spatial neglect, emotional disturbances, and functional independence. Qualitative metrics and quantitative indices correlated with cognitive deficits, mood disorders, and activities of daily living. Human figure representation also predicted rehabilitation outcomes, with improvements aligning with motor recovery. Innovations included digital quantification of evaluation metrics. Conclusions: Human figure graphic representation is a low-cost, adaptable tool bridging motor, cognitive, and emotional assessments in stroke survivors. While methodological variability persists, AI-driven analytics and standardized frameworks could enhance objectivity. Future research should prioritize validating parameters and developing hybrid models combining traditional qualitative insights with machine learning, thus advancing precision neurorehabilitation and personalized care.
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 | 0,009 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».