Inter-Professional Practices of Private-Sector Physiotherapists for Low Back Pain Management: Who, How, and When?
Notice bibliographique
Résumé
Purpose: Although there have been increasing demands for health care providers to take part in inter-professional practices in recent years, very little attention has been paid to the actualization of such practices in the private sector. This study describes private-sector physiotherapists' inter-professional practices regarding low back pain (LBP) management and identifies organizational and provider-level variables associated with the intensity of such practices. Method: A total of 327 randomly selected physiotherapists were surveyed in the province of Quebec. Data were analyzed using descriptive and multiple regression analyses. Results: Physiotherapists reported frequent interactions with other physiotherapists (daily/weekly for 52.6%), family physicians (51.0%), and physiotherapy (PT) assistants (45.2%), but infrequent interactions with psychologists (3.6%), neurosurgeons (0.9%), and chiropractors (0.3%). Frequently reported means of interactions were written and oral messages sent through clients (55.1% and 24.1%, respectively), face-to-face unplanned discussions (41.9%), and faxed or mailed letters (23.2%). Variables associated with the intensity of inter-professional practices (mean of 6.7 [SD 1.7] out of 10 on the Intensity of Interprofessional Practices Questionnaire for Private Sector Physiotherapists) were related to physiotherapists' clientele, social activities with other providers, and perceptions of inter-professional practices as well as organizational models, vision, and provision of PT training. Conclusions: There is room to improve inter-professional practices with private-sector physiotherapists involved in managing LBP. Targets for action include physiotherapists and their workplaces.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».