Identifying and Classifying Quality of Life Tools for Assessing Spasticity After Spinal Cord Injury
Notice bibliographique
Résumé
OBJECTIVE: To identify and classify tools for assessing the influence of spasticity on quality of life (QOL) after spinal cord injury (SCI). METHODS: Electronic databases (MEDLINE/PubMed CINAHL and PsycInfo) were searched for studies published between 1975 and 2012. Dijkers's theoretical framework on QOL was used to classify tools as either objective or subjective measures of QOL. RESULTS: Sixteen studies met the inclusion criteria. Identified objective measures that were used to assess the influence of spasticity on QOL included the Short Form-36 (SF-36) the Sickness Impact Profile (SIP) and the Health Utilities Index-III (HUI-III). Subjective measures included the Quality of Life Index-SCI Version III (QLI-SCI) Life Situation Questionnaire-Revised (LSQ-R) Reciprocal Support Scale (RSS) Profile of Mood States (POMS) Spinal Cord Injury Spasticity Evaluation Tool (SCI-SET) and the Patient Reported Impact of Spasticity Measure (PRISM). A number of tools proved either to be insensitive to the presence of spasticity (QLI-SCI) or yielded mixed (SF-36) or weak (RSS LSQ-R) results. Tools that were sensitive to spasticity had limited psychometric data for use in the SCI population (HUI-III SIP POMS) although 2 were developed specifically for assessing spasticity on daily life post SCI (SCI-SET PRISM). CONCLUSIONS: Two condition-specific subjective measures the SCI-SET and PRISM emerged as the most promising tools for the assessment of spasticity impact on QOL after SCI. Further research should focus on establishing the psychometric properties of these measures for use in the SCI population.Key words: outcome measurement quality of life spasticity spinal cord injury.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».