Corpus complet

Articles

2 articles, page 1 sur 1, triés par date de publication.

Filtres actifs
Hôpital×Intelligence artificielle×Petit échantillon×
Classification multiaxialeCombinez un trouble, une fonction, une population, un contexte ou une intervention.
Profils et populations d’intérêt1
Groupe témoin1
Fonctions et dimensions cliniques5
Audition1Coordination1Langage expressif1Motricité globale1Parole et phonologie1
Population et étape de vie3
Adolescence1Adulte1Enfance1
Contextes de vie et facteurs environnementaux1
Hôpital2
Évaluation, intervention et accompagnement4
Intelligence artificielle2Instrument d’évaluation2Évaluation diagnostique1Repérage et dépistage1
Type et statut de la publication4
Validation d’instrument2Résumé uniquement2Étude de performance diagnostique1Étude transversale1
Limites méthodologiques repérées3
Généralisation limitée2Petit échantillon2Limites non déterminées1
Fiabilité source
Source tier 12
Résumé
Avec résumé2
Date
7 jours30 jours90 jours
Tri
RécentAncien
Effacer
Parole et phonologieSource tier 1

Diagnostic de l'hypernasalité assisté par intelligence artificielle à partir d'échantillons de parole évalués par le CAPS-A-AM dans la dysfonction vélopharyngée pédiatriqueArtificial Intelligence-Based Hypernasality Diagnosis Using CAPS-A-AM Rated Speech Samples in Pediatric Velopharyngeal Dysfunction.

Parole et phonologieLangage expressifAuditionEnfanceAdolescence
Non déterminableRobustesse méthodologiquePubMed — neurosciences cognitives developpementalesSourceDOIRéférence disponible

Cette étude prospective monocentrique a développé un algorithme préliminaire de détection de l'hypernasalité par apprentissage automatique à partir de spectrogrammes mel de voyelles hautes (/i/ et /u/) extraits de voyelles soutenues, de mots isolés et de phrases, chez 40 enfants âgés de 2 à 17 ans présentant une dysfonction vélopharyngée, des conditions asso...

Validation d’instrumentSource tier 1

Évaluation clinique automatisée de la démarche basée sur l'apprentissage profond à partir de données cinématiques chez les personnes victimes d'AVC : étude de développement et de validation.Deep Learning-Based Automated Clinical Gait Assessment From Kinematic Data in People With Stroke: Development and Validation Study.

Groupe témoinMotricité globaleCoordinationAdulteHôpital
Non déterminableRobustesse méthodologiquePubMed — neurosciences cognitives developpementalesSourceDOIRéférence disponible

Cette étude valide un cadre d'apprentissage profond (STAT-GCN) pour automatiser l'évaluation clinique de la démarche chez 51 personnes avec AVC hémiparétique et 18 témoins sains, à partir de données cinématiques issues de centrales inertielles. Les scores de l'échelle de démarche du Wisconsin (WGS) établis par deux kinésithérapeutes expérimentés servent de r...