MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413030617 · doi:10.1101/2025.08.01.25332828

Influence of reactive balance training program characteristics on reactive balance control and fall risk: a systematic review and meta-analysis

2025· review· en· W4413030617 sur OpenAlexaff
Hadas Nachmani, Laura Langer, Augustine Joshua Devasahayam, Avril Mansfield

Notice bibliographique

RevuemedRxiv · 2025
Typereview
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensSunnybrook Health Science CentreUniversity of TorontoToronto Rehabilitation InstituteUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésBalance (ability)Meta-analysisFall preventionMedicinePhysical medicine and rehabilitationEnvironmental healthHuman factors and ergonomicsPoison controlInternal medicine

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Introduction : Diverse Reactive Balance Training (RBT) programs have been developed to address age-related deterioration in reactive balance control and increased fall risk. Despite the demonstrated effectiveness of those programs, there is significant variability in intervention characteristics (e.g., type of perturbations, total volume and intensity of training) and in study findings. It is likely that intervention effectiveness depends on features of the intervention; however, little is known about the optimal way to deliver RBT. The purpose of this systematic review and meta-analysis is to determine the optimal intervention characteristics for RBT for improving reactive balance control and preventing falls in daily life. Methods : We searched MEDLINE ALL (July 2023), Embase (July 2023), Physiotherapy Evidence Database (August 2023) and Cochrane (July 2023) for randomized controlled trials of RBT that reported on a measures of reactive balance control and/or falls in daily life. Results were screened by two reviewers independently to determine eligibility. The following details were extracted: study population; intervention characteristics (number of sessions in total, duration, and frequency of sessions; type, intensity and number of perturbations; description of the control intervention; and program duration), number of participants in each group; reactive balance outcomes pre- and post-intervention, and number of falls in daily life post-intervention. Risk of bias (RoB) and certainty of evidence (GRADE) were assessed. Meta-regressions were performed to explore the influence of different study components on reactive balance control and falls in daily life. Results: After screening 7,677 records, 32 studies were included; 25 reported a reactive balance outcome, and 19 reported falls in daily life. RoB of reactive balance control revealed main concerns arising from selection of reported results (20/25). RoB of falls in daily life had high or some concerns in the measurements of the outcome (12/19) and selection of reported results (15/19). RBT programs that included manual perturbations were associated with reduced fall rates compared to the reference (waist pull perturbations; relative risk: 0.45; 95% confidence interval: [0.22, 0.91], p=0.042). There were no other significant relationships between any other training parameters and falls in daily life or reactive balance control. Quality of evidence (GRADE) was low for both reactive balance control and falls in daily life. Discussion: While there was some evidence for superiority of manual perturbations over other perturbation types for fall prevention, we were unable make any definitive conclusions regarding optimal training RBT characteristics. High variability in training protocols between studies and under-reporting of intervention characteristics prevented us from making a meaningful analysis of the existing studies. Future RBT studies should provide more detailed descriptions of training protocols and include head-to-head comparisons of different training parameters (e.g., perturbation types or intensities). RBT studies should also include outcomes for both reactive balance control and falls in daily life.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,044
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,099

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,044
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0220,039
Bibliométrie0,0070,008
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0030,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,062
Tête enseignante GPT0,407
Écart entre enseignants0,345 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetBalance, Gait, and Falls Prevention→Travaux en français237 207→