Realidade virtual no equilíbrio de pacientes com paralisia cerebral: meta-análise
Bibliographic record
Abstract
Introdução. Em crianças com paralisia cerebral (PC), o déficit de equilíbrio aumenta o risco de quedas, afetando o desempenho das atividades da vida diária, mobilidade e participação. Assim, uma proposta de intervenção, a realidade virtual (RV) utiliza exercícios repetitivos e atrativos, com tarefas que visam ganho de equilíbrio, dentre outras funções, que irão possibilitar uma melhor performance. Objetivo. Realizar uma revisão sistemática com meta-análise, investigando os efeitos da RV no equilíbrio de indivíduos diagnosticados com PC. Método. Foram realizadas buscas nas bases Medline, Lilacs, SciELO e PEDro, selecionando ensaios clínicos que abordassem a RV como intervenção fisioterapêutica no equilíbrio de pacientes com PC. A qualidade metodológica dos estudos foi avaliada pela escala PEDro. Para a meta-análise, foi utilizado o programa Comprehensive Meta-Analysis, Versão 3.0. Resultados. Nove estudos foram incluídos na presente revisão. De forma geral, o treino de RV mostrou-se eficaz na melhora do equilíbrio de indivíduos com PC (SMD 0,84; IC95% 0,35 a 1,33; I2=7%; p<0.01). Além disso, na análise de subgrupos em relação ao tipo de grupo controle, o treino de RV se mostrou superior tanto quando comparado à nenhuma intervenção, quanto quando comparado a outras intervenções (SMD 0,74; IC95% 0,13 a 1,36; p<0,05; SMD 1,01; IC95% 0,19 a 1,84; p<0,05, respectivamente). Conclusão: O treino de RV é superior para melhorar o equilíbrio de indivíduos com PC, tanto quando comparado a nenhuma intervenção, como quando comparado a outro tipo de intervenção e deve, dessa forma, ser considerado durante a reabilitação dessa população.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.019 | 0.061 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.006 | 0.026 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".