Association between implicit learning and gait automaticity deficiencies in people with Parkinson\'s disease
Notice bibliographique
Résumé
INTRODUÇÃO: Dentre as atividades motoras investigadas durante a evolução da doença de Parkinson, a marcha é uma das mais prejudicadas, podendo elevar o risco de quedas e reduzir a independência e a qualidade de vida relacionada à saúde. Testes de baixo custo que possam ser utilizados em larga escala para monitorar a evolução do declínio de marcha, particularmente em condições complexas que se assemelham a vida real, podem contribuir para a identificação precoce das alterações, abrindo janelas terapêuticas para intervenções mais precoces e mais eficientes. O objetivo do presente estudo foi investigar a eficácia de dois novos instrumentos de avaliação para identificar a progressão das alterações da marcha em condições complexas em pessoas com doença de Parkinson. MÉTODOS: O estudo utilizou dois experimentos distintos, ambos realizados em desenho transversal. O primeiro (Experimento 1) foi conduzido com 74 (setenta e quatro) pessoas com doença de Parkinson, classificadas entre estágios 1 e 3 na escala Hoehn & Yahr, testadas no período ON da medicação dopaminérgica, e submetidas individualmente às avaliações cognitivas, por intermédio do MoCA (Montreal Cognitive Assessment) e de um jogo de computador chamado Jogo do Goleiro (JG), e às avaliações do desempenho da marcha sob condições complexas, por meio do DGI (sigla para Índice do Andar Dinâmico). O JG resultou em nove medidas extraídas via um modelo estatístico, e o poder de predição dessas medidas e dos escores do MoCA, relacionados ao desempenho da marcha e avaliados pelo DGI, foram comparados. O segundo (Experimento 2) foi conduzido com 114 (cento e quatorze) pessoas com doença de Parkinson, classificadas entre estágios 1 e 3 na escala Hoehn & Yahr, testadas no período ON da medicação dopaminérgica, que desempenharam três testes clínicos de avaliação da marcha (TUG, DGI e Teste de Caminhada de 10 metros), e um teste de caminhada em seis metros mediante análise por um software bidimensional de avaliação do movimento, em tarefa simples e em duas condições diferentes de dupla tarefa. Baseado nas variáveis geradas pelo software, um índice de desempenho da marcha foi criado, permitindo uma comparação entre seus resultados com os resultados obtidos pelos testes clínicos. RESULTADOS: Os resultados do Experimento 1 mostraram que os modelos preditivos baseados no JG obtiveram um melhor escore de predição (65%) em comparação ao MoCA (56%), para os valores encontrados pelo DGI (com 50% de especificidade). Em relação ao Experimento 2, os testes clínicos da marcha conseguiram diferenciar unicamente o estágio 3 dos demais, como o DGI (H = 17,86, p = 0,00001, HY 1 e 3 p = 0,00001, HY 2 e 3 p = 0,01), o TUG em TS (H = 24,33, p = 0,00001, HY 1 e 3, p = 0,00001, HY 2 e 3, p = 0,0001), o TUG em CR (F = 6,3132, p = 0,002531, poder = 0,890869, HY 1 e 3, p = 0,004861, HY 2 e 3, p = 0,011328), o 10mWT em TS (H = 7,805141, p = 0,0202, HY 1 e 3, p = 0,022915), o 10mWT em CR (H = 12,87617, p = 0,0016, HY 1 e 3, p = 0,009007, HY 2 e 3, p = 0,003486) e o 10mWT em FV (H = 16,09656, p = 0,0003, HY 1 e 3, p = 0,000281, HY 2 e 3, p = 0,016516), enquanto que o índice derivado do software obteve resultados semelhantes durante o teste em CR (H = 20,02, p = 0,0000, HY 1 e 3, p = 0,000457, HY 2 e 3, p = 0,044827) e superiores em TS (H = 17,86, p = 0,00001, HY 1 e 2, p = 0,03, HY 1 e 3, p = 0,00001, HY 2 e 3, p = 0,02) e em fluência verbal (H = 20,01922, p = 0,0000, HY 1 e 2, p = 0,038506, HY 1 e 3, p = 0,000023). CONCLUSÃO: Os dois instrumentos propostos demonstraram ser eficazes para identificar a progressão das alterações da marcha em condições complexas em pessoas com doença de Parkinson, especificamente quando comparados a testes clínicos frequentemente utilizados
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».