Comparison of computerized versus conventional exercise and establishing their optimal frequency, intensity and duration in hip arthroplasty
Bibliographic record
Abstract
ЦЕЛ, ЗАДАЧИ, ХИПОТЕЗИ. ЦЕЛ: Целта на настоящето проучване е да се сравни и проучи ефективността на компютъризирани спрямо конвенционални лечебни упражнения в България, като се установи тяхната оптимална честота, интензивност и продължи-телност в ранната рехабилитация при пациенти след артропластика на тазо-бедрената става. ЗАДАЧИ: За постигане на целта си поставихме следните задачи: – Да се сравни ефективността на компютъризираните спрямо конвен-ционалните упражнения в ранната рехабилитация при пациенти след артропластика на ТБС чрез сравнителен анализ на резултатите от мануално мускулно тестуване (ММТ), ъглометрия, Western Ontario and McMaster Universities Arthritis Index, Harrison hip score test и тестове за походка, тъй като липсват аналогични проучвания в България. – Да се установи оптималната честота, продължителност и интензивност на компютъризираните и конвенционалните лечебни упражнения в ранната рехабилитация при пациенти след артропластика на тазобедрената става, тъй като липсват международни проучвания върху тези най-важни кинезитерапевтични параметри. ХИПОТЕЗИ: – Компютъризираните и конвенционалните лечебни упражнения имат съизмерим положителен ефект в ранния етап на рехабилитацията при пациенти след артропластика на ТБС. – С нарастване на честотата, продължителността и интензивността на компютъризираните и конвенционалните лечебни упражнения, нараства и тяхната ефективност.
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 | 0.003 |
| 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 | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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".