Understanding Quality of Life in Adults with Spinal Cord Injury Via SCI-Related Needs and Secondary Complications
Notice bibliographique
Résumé
BACKGROUND: Understanding the factors that can predict greater quality of life (QoL) is important for adults with spinal cord injury (SCI), given that they report lower levels of QoL than the general population. OBJECTIVES: To build a conceptual model linking SCI-related needs, secondary complications, and QoL in adults with SCI. Prior to testing the conceptual model, we aimed to develop and evaluate the factor structure for both SCI-related needs and secondary complications. METHODS: Individuals with a traumatic SCI (N = 1,137) responded to an online survey measuring 13 SCI-related needs, 13 secondary complications, and the Life Satisfaction Questionnaire to assess QoL. The SCI-related needs and secondary complications were conceptualized into factors, tested with a confirmatory factor analysis, and subsequently evaluated in a structural equation model to predict QoL. RESULTS: The confirmatory factor analysis supported a 2-factor model for SCI related needs, χ(2)(61, N = 1,137) = 250.40, P <.001, comparative fit index (CFI) = .93, root mean square error of approximation (RMSEA) = .05, standardized root mean square residual (SRMR) = .04, and for 11 of the 13 secondary complications, χ(2)(44, N = 1,137) = 305.67, P < .001, CFI = .91, RMSEA = .060, SRMR = .033. The final 2 secondary complications were kept as observed constructs. In the structural model, both vital and personal development unmet SCI-related needs (β = -.22 and -.20, P < .05, respectively) and the neuro-physiological systems factor (β = -.45, P < .05) were negatively related with QoL. CONCLUSIONS: Identifying unmet SCI-related needs of individuals with SCI and preventing or managing secondary complications are essential to their QoL.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».