Association between implicit learning and gait automaticity deficiencies in people with Parkinson\'s disease
Bibliographic record
Abstract
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
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".