MétaCan
Menu
Retour à la cohorte
Enregistrement W4412363952 · doi:10.2196/69335

A Resource-Efficient, High-Dose, Gamified Neurorehabilitation Program for Chronic Stroke at Home: Retrospective Real-World Analysis

2025· article· en· W4412363952 sur OpenAlexvenueno aff
Spencer A. Arbuckle, Anna Sophie Knill, Michelle H. Chan-Cortés, Gabriela Rozanski, Anastasia Elena Ford, Louis T. Derungs, John W. Krakauer, Naveed Ejaz, David Putrino, Jenna Tosto‐Mancuso, Meret Branscheidt

Notice bibliographique

RevueJMIR Serious Games · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueStroke Rehabilitation and Recovery
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNeurorehabilitationTelerehabilitationPhysical medicine and rehabilitationPhysical therapyMedicineBalance (ability)Virtual Reality Exposure TherapyStroke (engine)Berg Balance ScaleRehabilitationTelemedicineHealth care

Résumé

récupéré en direct d'OpenAlex

Background: Accumulating evidence and medical guidelines recommend high-dose neurorehabilitation for recovery after stroke. The reality, however, is that most patients receive a fraction of this dose, with therapist availability and costs of delivery being major implementational barriers. Objective: This study aimed to explore a potential solution by conducting a retrospective analysis of a real-world enhanced clinical service that used gamified self-training technologies at home under remote therapist supervision. Methods: Data from 17 patients who completed a 12-18 week full-body, high-dose neurorehabilitation program entirely at home were analyzed. Program delivery relied primarily on patients training independently (asynchronously) with the MindMotion GO (MindMaze) gamified-therapy solution. Accompanying telerehabilitation training sessions with a therapist occurred weekly while therapists used a web application to continuously monitor and manage the program remotely. Effectiveness of the program was assessed through measured active training time, a measure that more closely reflects delivered dosage as opposed to scheduled dose. Patient recovery was evaluated with standardized impairment and functional clinical measures and patient self-reported outcome measures. Finally, a cost model was computed to evaluate the resource efficiency of the program. Results: Patients maintained high training adherence throughout the program and reached an average total active training time of 39.7 (SD 21.4) hours, with the majority delivered asynchronously (mean 82.2%, SD 10.8%). Patients improved in both upper-limb (Fugl-Meyer Upper Extremity, mean 6.4, SD 5.1; P<.001) and gait and balance measures (Functional Gait Assessment, mean 3.1, SD 2.6; P<.001; Berg Balance Scale, mean 6.1, SD 4.4; P<.001). Overall, the program was viewed very favorably among patients who completed a post-program survey, with 73.7% (14/19) of respondents being satisfied or very satisfied, while 63.2% (12/19) of respondents reported subjective improvements in physical abilities. Per-patient therapist costs approximated US $338, representing a resource-efficient alternative to delivering the same dose via one-on-one in-person training sessions (US $1903). Conclusions: This work demonstrates effective high-dose neurorehabilitation delivery via gamified therapy technologies at home. The approach shows that training time can be successfully decoupled from therapist-presence without compromising adherence, outcomes, or patient satisfaction over an extended program period. Given growing concerns over therapist availability and increasing health care costs, this resource-efficient approach can help achieve medical guidelines and complement existing clinic-based approaches.

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)0,000
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,211
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
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 Opus0,007
Tête enseignante GPT0,309
Écart entre enseignants0,302 · 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

Citations8
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetStroke Rehabilitation and RecoveryTravaux en français237 207