P.029 Personalized locomotor training with non-invasive spinal cord stimulation for functional recovery after spinal cord injury
Notice bibliographique
Résumé
Background: Spinal cord injury (SCI) is a central nervous system injury that often leads to motor, sensory and autonomic dysfunction. Non-invasive trans-spinal electrical stimulation (ts-ES) has been shown to activate neural networks below the injury and improve motor function recovery after SCI. The objective of this study was to compare changes in motor and autonomic function attributable to ts-ES in individuals with incomplete SCI after 4 weeks of personalized training. Methods: Participants received 4 weeks of treadmill training with personalized step-cycle based PNS and FES with and without non-invasive lumbar ts-ES. Clinical outcome measures of motor function (2-minute walk test, Berg Balance and modified SCIM-Mobility) and metabolic analysis (heart rate and rate of oxygen consumption (VO2 sub-max)) were assessed before and after training. Non-invasive electromyography (EMG) and kinematic data assessed motor function. Results: Based on participant feedback and data, ts-ES with PNS/FES during training was tolerable, improved leg movement and facilitated muscle activity in knee extensors with 10-25% increased RMS amplitude of pre-training EMG activity during both forward and backward walking. Moreover, ts-ES tended to increase HR and VO2 sub-max within one session. Conclusions: Personalized rehabilitation strategies combining ts-ES with traditional physiotherapy exercises and locomotor training have the potential to improve recovery after SCI.
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 | 0,000 | 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 | 0,000 | 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) | 0,030 | 0,002 |
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 ».