Assistive technology to enable sleep function in patients with acquired brain injury: Issues and opportunities
Notice bibliographique
Résumé
Introduction Sleep disorders in patients with acquired brain injury are highly burdensome and associated with disability. An assistive technology framework emphasises the need to develop and apply a broad range of devices, strategies, and practices to ameliorate disabilities. We aimed to summarise scientific evidence regarding the utility of assistive technology in managing sleep disorders in patients with various causes of acquired brain injury. Method We retrieved articles before January 2016, through database searches of Medline, Embase, PsycINFO, CINAHL, and various bibliographies. The person–environment–occupation framework was used to analyse complex data pertaining to technology application and utility. Results We found 21 studies that described seven assistive technologies (continuous positive airway pressure, adaptive servo ventilator, nasotracheal suction mechanical ventilation, positioning devices, cognitive behavioural therapy, light therapy, and acupuncture) utilised in patients with acquired brain injury to manage sleep disorders. Conclusion Assistive technologies demonstrated effectiveness in alleviating and/or managing sleep disorders after acquired brain injury. Adherence to using the technology is limited by the level of injury-induced cognitive and physical impairment, technological regime, and environmental support. Development of user-friendly sleep-assistive technologies that take into consideration functional limitations and practice guidelines on structural communication between the occupational therapist, patient, and caregiver may facilitate patients’ self-determination in managing sleep disorders.
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 ».