Case Series of a Knowledge Translation Intervention to Increase Upper Limb Exercise in Stroke Rehabilitation
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Current approaches to upper limb rehabilitation are not sufficient to drive neural reorganization and maximize recovery after stroke. To address this evidence-practice gap, a knowledge translation intervention using the Behaviour Change Wheel was developed. The intervention involves collaboratively working with stroke therapy teams to change their practice and increase therapy intensity by therapists prescribing supplementary self-directed arm exercise. The purposes of this case series are: (1) to provide an illustrative example of how a research-informed process changed clinical practice and (2) to report on staff members' and patients' perceptions of the utility of the developed intervention. CASE DESCRIPTIONS: A participatory action research approach was used in 3 stroke rehabilitation units in the United Kingdom. The intervention aimed to change 4 therapist-level behaviors: (1) screening patients for suitability for supplementary self-directed arm exercise, (2) provision of exercises, (3) involving family and caregivers in assisting with exercises, and (4) monitoring and progressing exercises. Data on changes in practice were collected by therapy teams using a bespoke audit tool. Utility of the intervention was explored in qualitative interviews with patients and staff. OUTCOMES: Components of the intervention were successfully embedded in 2 of the 3 stroke units. At these sites, almost all admitted patients were screened for suitability for supplementary self-directed exercise. Exercises were provided to 77%, 70%, and 88% of suitable patients across the 3 sites. Involving family and caregivers and monitoring and progressing exercises were not performed consistently. CONCLUSIONS: This case series is an example of how a rigorous research-informed knowledge translation process resulted in practice change. Research is needed to demonstrate that these changes can translate into increased intensity of upper limb exercise and affect patient outcomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».