Optimal reactive balance training characteristics post-stroke: secondary analysis of a randomized controlled trial
Notice bibliographique
Résumé
ABSTRACT Background and purpose Reactive balance training (RBT) has shown promise for enhancing reactive balance control and reducing falls post-stroke. However, the optimal training parameters (e.g., intensity, duration) are unknown. This study aimed to investigate the relationship between different reactive balance training characteristics and improvements in reactive balance control and fall rates. Methods People with chronic stroke completed up to 12 one-hour reactive balance training sessions, twice per week. Training included experiencing losses of balance due to internal or external perturbations while performing voluntary tasks. The tasks were of four types: stable, quasi-mobile, mobile, and unpredictable, each with choice of three difficulty levels (normal, increased, or reduced). We analyzed the relationships between training characteristics (total number of perturbations, difficulty levels, perceived level challenge, and success rate) and fall rates post-training and changes in the reactive balance control sub-score of the mini-Balance Evaluation Systems Test (mini-BESTest). Results A higher number of perturbations was significantly associated with better post-intervention reactive balance scores on the mini-BEST (p=0.010). There were no significant associations with any other training characteristics and post-intervention mini-BEST Scores. For falls in daily life there was no significant association between any training characteristic. Discussion Greater exposure to RBT was associated with improvements in reactive balance control among individuals with chronic stroke. Participants who completed more sessions, and consequently experienced more perturbations, achieved better outcomes. These findings highlight the importance of sufficient training volume, suggesting that a higher number of perturbations may be optimizing the effects of RBT in stroke rehabilitation. Trial registration ISRCTN05434601
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 | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,007 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».