Poor upper limb performance despite the absence of notable upper limb motor impairment in adults with acute stroke – the influence of cognitive deficits
Notice bibliographique
Résumé
INTRODUCTION: To assess the impact of cognitive impairment, upper limb apraxia, and spatial neglect on upper limb performance in adults with stroke. METHODS: This prospective cross-sectional study evaluated upper limb performance dependency in adults with acute/early subacute stroke. The Upper Limb (UL)-LIMOS assessed upper limb performance; while upper limb motor impairment was evaluated with the Fugl Meyer Assessment-Upper Extremity (FMA-UE), general cognitive function with the Montreal Cognitive Assessment, spatial neglect with the Catherine Bergego Scale, and upper limb apraxia with the Apraxia Screen of TULIA. RESULTS: We recruited 407 adults with stroke. Minimal or no upper limb motor impairments were present in 270 out of 407 (66.3%) adults, among whom 38.5% still exhibited poor upper limb performance. There were weak to moderate correlations between UL-LIMOS and MoCA (r = .213), spatial neglect (r = -.415), and apraxia (r = .190). General cognition, spatial neglect strongly predicted upper limb performance (R2 = 0.34). CONCLUSION: Almost 40% of adults with acute stroke, who do display minimal upper limb impairments, demonstrate poor performance in upper limb tasks, attributed to impaired general cognition, spatial neglect, and/or, to a lesser extent, upper limb apraxia. Hence, there is need for cognitive-motor therapies to be integrated into early rehabilitation settings to address these challenges effectively.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».