Adapted Virtual Reality Exergaming Using Off-the-Shelf Supplies for Poststroke Hemiparetic Arm Rehabilitation: Case Study
Notice bibliographique
Résumé
BACKGROUND: Virtual reality (VR) can supplement exercise therapy for poststroke upper-arm hemiparesis, but treatments have been largely limited by specialized or costly equipment, hindering replicability and generalizability. OBJECTIVE: This study examined the feasibility of using a commercially available bundle of VR supplies to improve hemiparetic arm function before and after an exergaming program in an individual post stroke. METHODS: We conducted a pre-post case study (male, aged 72 years, chronic stroke) of a 20-day VR exergaming program (1-hour session per day) using a head-mounted display (Meta Quest 2), with adaptive software (WalkinVR) to boost and adjust in-game movements. Measures of upper-arm function were performed at preintervention (day 0), midintervention (day 10), and postintervention (day 21) and included the Wolf Motor Function Test (WMFT) and Disabilities of the Arm, Shoulder, and Hand Questionnaire (DASH). Data were descriptively analyzed. RESULTS: The participant demonstrated improvement in the mean time to complete tasks of the WMFT by 70.5% (δ=11.73 s; preintervention mean time 16.63, SD 31 s; effect size=0.54) from preintervention to midintervention and 78% (δ=12.96 s; effect size=0.59) from preintervention to postintervention. WMFT mean functional ability score demonstrated an improvement of 18% (δ=0.46 points; preintervention mean score 2.67, SD 0.87 points; effect size=0.59) from preintervention to midintervention and 23% (δ=0.6 points; effect size=0.79) from preintervention to postintervention. Range of motion improved in all joints by an average of 35.64% (SD 20%) from preintervention to postintervention. DASH scores demonstrated minimal improvements across the intervention. CONCLUSIONS: VR exergaming with adaptive software could be an easy-to-adopt method for improving the functional ability of the hemiparetic arm among people post stroke. Improvements were potentially meaningful but warrant confirmation in more rigorous study designs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».