Perceptions and attitudes of rehabilitation medicine physicians on complementary and alternative medicine in Australia
Notice bibliographique
Résumé
BACKGROUND: The growing demand for complementary and alternative medicine (CAM) is undeniable. We report a first study about the attitudes and behaviour of Australian rehabilitation physicians to CAM. METHODS: A prospective cross-sectional survey was undertaken to document the prevalence of, knowledge about and referrals to CAM therapies and their perceived effectiveness, by a sample of Australian rehabilitation physicians. RESULTS: Thirty-six out of 94 actively practising rehabilitation physicians from the Australasian Faculty of Rehabilitation Medicine, the Royal Australasian College of Physicians, replied to the survey, a response rate of 38%, and 85% reported familiarity with CAM, the most familiar therapies being acupuncture (80%), yoga (74%) and Tai-Chi (72%). CAM referral was reported in 84%, 38% personally used CAM, 94% of patients enquired about CAM therapies, 32% of respondents routinely enquired about CAM use. Age, sex and year of Fellowship were not associated with familiarity, personal use or frequency of patient enquiry about CAM. Those who reported to be very familiar with CAM were more likely to routinely enquire about CAM use (P = 0.028) and be more confident in prescribing certain CAM therapies (P < 0.05). CONCLUSION: Australian rehabilitation physicians report similar CAM referral rates to Canadian physiatrists and Australian general practitioners. The most commonly prescribed therapies were acupuncture, yoga and Tai-Chi. Almost all patients use CAM therapies, but only a minority of rehabilitation physicians enquires about CAM use on a regular basis. The latter may avoid potentially harmful drug interactions, as well as improve the quality of the physician-patient relationship.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| 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) | 0,002 | 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 ».