Delivering Intensive Rehabilitation in Stroke: Factors Influencing Implementation
Notice bibliographique
Résumé
Background: The evidence base for stroke rehabilitation recommends intensive and repetitive task-specific practice, as well as aerobic exercise. However, translating these -evidence-based interventions from research into clinical practice remains a major -challenge. Objective: The objective of this study was to investigate factors influencing implementation of higher-intensity activity in stroke rehabilitation settings. Design: This qualitative study used a cross-sectional design. Methods: Semi-structured interviews were conducted with rehabilitation therapists from 4 sites across 2 Canadian provinces who had experience in delivering a higher-intensity intervention as part of a clinical trial (Determining Optimal post-Stroke Exercise [DOSE]). An interview guide was developed, and data were analyzed using implementation frameworks. Results: Fifteen therapists were interviewed before data saturation was reached. Therapists and patients generally had positive experiences regarding high-intensity interventions. However, therapists felt they would adapt the protocol to accommodate their beliefs about ensuring movement quality. The requirement for all patients to have a graded exercise test and the use of sensors (eg, heart rate monitors) gave therapists confidence to push patients harder than they normally would. Paradoxically, a system that enables routine graded exercise testing and the availability of staff and equipment contribute challenges for implementation in everyday practice. Conclusions: Even therapists involved in delivering a high-intensity intervention as part of a trial wanted to adapt it for clinical practice; therefore, it is imperative that researchers are explicit regarding key intervention components and what can be adapted to help ensure implementation fidelity. Changes in therapists' beliefs and system-level changes (staffing and resources) are likely necessary to facilitate higher-intensity rehabilitation in practice.
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 | 0,051 | 0,198 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».