Articles

Ce protocole de revue systématique vise à évaluer l'efficacité du yoga thérapeutique (asanas et pranayama) par rapport à la physiothérapie standard (entraînement de l'équilibre et facilitation neuromusculaire proprioceptive) pour améliorer la stabilité posturale et réduire les chutes chez les adultes âgés de 60 ans et plus atteints de parkinsonisme à un stade précoce (stade Hoehn et Yahr ≤2 ou durée de la maladie ≤5 ans). Les essais contrôlés randomisés publiés entre 2015 et 2025 seront inclus. Les données seront extraites de plusieurs bases de données et une méta-analyse à effets aléatoires sera réalisée. La qualité des preuves sera évaluée avec GRADE.

Le protocole compare le yoga thérapeutique (asanas et pranayama) à la physiothérapie standard (équilibre et PNF) pour la stabilité et les chutes dans le parkinsonisme débutant. Les participants sont des adultes de ≥60 ans avec un parkinsonisme à un stade précoce (Hoehn et Yahr ≤2 ou durée ≤5 ans). Les critères de jugement incluent la stabilité posturale et les chutes. La revue suivra les directives JBI et utilisera GRADE pour évaluer la qualité des preuves.

Si le yoga s'avère efficace, il pourrait offrir une option complémentaire à la physiothérapie pour la prévention des chutes chez les patients atteints de parkinsonisme débutant. Les résultats pourraient éclairer les recommandations cliniques sur les interventions non médicamenteuses pour la stabilité posturale.

Il s'agit d'un protocole de revue systématique, sans résultats disponibles pour l'instant. La variabilité des styles de yoga et des intensités d'intervention peut limiter la généralisation des résultats. Les participants sont limités au parkinsonisme à un stade précoce, ce qui ne permet pas d'extrapoler aux stades avancés.

Preprint

Cette étude propose un cadre d'apprentissage automatique pour la détection précoce de l'autisme chez les enfants, utilisant un ensemble empilé de classifieurs (KNN, RF, SVM, NB, DT) avec un méta-classifieur Random Forest, optimisé par hyperparamétrage et équilibré avec SMOTE. Les modèles atteignent une précision de 99% sur le jeu de données Toddler Saudi, 98% sur Q-CHAT et 99% sur les ensembles fusionnés. L'analyse Shapley identifie les caractéristiques importantes pour les prédictions. Le cadre vise à aider les cliniciens dans le dépistage de l'autisme.

Un modèle d'ensemble empilé (KNN, RF, SVM, NB, DT) avec Random Forest comme méta-classifieur atteint 99% de précision sur le jeu de données Toddler Saudi. La technique SMOTE est utilisée pour gérer le déséquilibre des classes dans les données. L'importance des caractéristiques est interprétée via la méthode Shapley, offrant une IA explicable. Les performances sont supérieures à celles des classifieurs individuels sur plusieurs jeux de données. Le cadre est conçu pour aider au dépistage précoce de l'autisme chez les enfants.

Cet outil pourrait améliorer le dépistage précoce de l'autisme en contexte clinique, facilitant une intervention rapide. L'IA explicable permet aux cliniciens de comprendre quels facteurs influencent les prédictions, renforçant la confiance dans l'outil. Le modèle pourrait être intégré dans des protocoles de dépistage pour réduire les délais diagnostiques.

Les jeux de données utilisés (Toddler Saudi, Q-CHAT) peuvent ne pas être représentatifs de populations diverses. L'étude ne rapporte pas de validation externe indépendante ni de test en conditions réelles. L'abstract ne précise pas la taille des échantillons ni les biais potentiels liés à la collecte des données.

Preprint