The Effectivness of Virtual Reality based Exercise Therapy for Upper Limb Rehabilitation in Sub Acute Stroke: An Experimental Study
Notice bibliographique
Résumé
Introduction: Stroke is the third most common cause of death and second most common cause of disability overall. The most prevalent disability that causes dysfunction following a stroke is weakness or paralysis, which often leads to upper limb impairments, Limiting independence in daily activities. (VR) has emerged as recent treatment approach in stroke rehabilitation. VR therapies give stroke survivors the rare chance to engage in a rich environment while receiving scalable, structured training opportunities reinforced by multimodal feedback to improve neuroplasticity and skill acquisition via repeated practice. Aim: To evaluate synergistic effect of VR based exercise therapy along with conventional physiotherapy in improving upper limb motor functions, cognition and quality of life in individuals with stroke. Materials and Methods: Ethical approval for the study was taken from the Institutional Ethical Committee, Punjabi university, Patiala. This single group, pre-post experimental study involved 8 stroke survivors in sub-acute stage of stroke. All participants received VR- based exercise therapy along with conventional exercise therapy, 5 times per week for 4 weeks. Data were collected at day 0 and at day 20th by using the outcome measure tools like Fugl Meyer Assessment-UA, Montreal Cognitive Assessment scale and Stroke impact scale. The analysis of the data was done by using SPSS Software. Results: Significant improvements was observed in Fugl MayerUL (p<0.05), MoCA (p<0.05), and only Emotion (p<0.05) or IADL (p<0.05) domains of Stroke Impact Scale. Conclusion: VR-based exercise therapy along with conventional physiotherapy shows potential to improve motor and cognitive functions in stroke survivors.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».