RObotic WAlking for children who CAnnot WAlk (RoWaCaWa): Feasibility and family impacts and perspectives of a family-led Intervention
Notice bibliographique
Résumé
Abstract Purpose To evaluate the feasibility, impacts, and perspectives of a family-led robotic walking intervention. Materials & Methods This single-arm interventional study recruited participants aged ≥4 years with pediatric-onset neuromotor disorders. Participants were lent a robotic walker and recommended to use at least 150min/week for 12-weeks. Robotic walking use, acceptability, practicality and adverse events were tracked. Family goals were measured before and after training period using Canadian Occupational Performance Measure (COPM). Quality of life was examined using EQ-5D-Y, Carer-QoL, and CP-CHILD. Quantitative data were analyzed using descriptive statistics (median (25 th -75 th percentile)) and Wilcoxon signed-rank tests. Qualitative interviews captured family perspectives and were analyzed using thematic analysis. Results 15 participants aged 4-23 completed this study. Participants trained 5 (3.5-6) times for 150(82-181) minutes and took 7,544(4,640 – 9,575) steps each week. Adverse events occurred in <1% (16 minor, 1 moderate) of robotic walking sessions. Performance (3.5 (1.9-4.5), p=<0.001) and satisfaction (3.3(3.0-5.0), p=<0.001) of goals increased. Parents described positive changes in social experiences and family interactions and difficulties with the logistics of robotic walking. Conclusions This family-led robotic walking intervention resulted in improvements in individual goals, though families did struggle with some logistics of robotic walking, such as; transport and difficulties with the device.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».