Effectiveness of brain—computer interfaces and cognitive training using computer technologies in restoring cognitive functions in patients after stroke
Bibliographic record
Abstract
ЦЕЛЬ ИССЛЕДОВАНИЯ Изучение эффективности применения технологий интерфейса «мозг—компьютер» (ИМК) и когнитивных тренингов с использованием компьютерных технологий в восстановлении когнитивных функций (КФ) у пациентов после церебрального инсульта (ЦИ). МАТЕРИАЛ И МЕТОДЫ Включены 34 пациента с давностью ЦИ 5,1±4,7 мес, средний возраст 59,3±10,8 года. Для оценки эффективности лечения пациентам до и после лечения было проведено тестирование по шкалам: запоминание 10 слов по А.Р. Лурия, Монреальская шкала оценки когнитивных функций (MoCA), тест рисования часов (CDT). Все пациенты получали стандартную восстановительную терапию (лечебная физкультура, физиотерапевтические процедуры, занятия с логопедом-нейропсихологом). Пациенты 1-й группы получали тренинги на комплексе «Нейрочат», 2-й группы — на комплексе «Экзокисть-2», 3-й группы — когнитивные тренировки по стандартным программам с использованием компьютерных технологий и наглядного материала. РЕЗУЛЬТАТЫ У пациентов всех трех групп было отмечено статистически значимое улучшение общего балла по MoCA: в 1-й и 2-й группах — p<0,01, в 3-й группе — p<0,05. Метод запоминания 10 слов выявил улучшение памяти во всех группах, более выраженные в 1-й и 2-й (p<0,01). По CDT отмечена статистически значимая динамика во 2-й группе (p=0,018). ЗАКЛЮЧЕНИЕ Получены данные об эффективности применения ИМК при восстановлении КФ у пациентов после перенесенного ЦИ по сравнению с когнитивными тренингами без обратной связи. Есть основания полагать, что различные ИМК обладают специфическим воздействием на различные КФ и имеют разные целевые группы.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".