Early physiotherapy intervention to promote gross motor development in premature babies
Bibliographic record
Abstract
Introducción: La prematuridad es un problema de salud pública a nivel mundial. Gracias a la tecnología y los cuidados permanentes en las estancias hospitalarias de la UCIN, la supervivencia de los bebés muy prematuros ha mejorado en los últimos tiempos, dando como resultado una serie de complicaciones y morbilidades, desencadenando deficiencias motoras en un 25% y altas afecciones neurológicas del 42% al 47%. Objetivo: Describir las intervenciones fisioterapéuticas tempranas que favorecen el desarrollo motor grueso en el bebé prematuro. Metodología: La presente revisión narrativa utilizó artículos en inglés publicados del 2015 al 2025, los documentos fueron extraídos de Pubmed, Google académico, Science direct. De los cuales se seleccionaron por título, luego texto completo y finalmente los que cumplieron con los criterios de elegibilidad. Descripción de Hallazgos: Se revisaron 560 artículos de los cuales solo 35 evidencian que los bebés prematuros son más propensos a presentar alteraciones del desarrollo motor grueso. Las herramientas de valoración más utilizadas fueron: La escala motora infantil de Alberta y la escala motora de Bayley III, destacando que el percentil 10 del AIMS fue el más eficaz para detectar retrasos en el desarrollo motor grueso, mostrando alta especificidad. Conclusiones: Según la evidencia las intervenciones multisensoriales, movilizaciones y la estimulación táctil cinestésica ayudaron a regular sus signos vitales y el mejor desempeño motor, demostrando su efectividad en la atención precoz. El 25% de neonatos muy prematuros tienen trastornos del neurodesarrollo a los 2 años y rendimiento motor deficiente comparado con neonatos a término.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".