Adoption of Stroke Rehabilitation Technologies by the User Community: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Using technology in stroke rehabilitation is attractive. Devices such as robots or smartphones can help deliver evidence-based levels of practice intensity and automated feedback without additional labor costs. Currently, however, few technologies have been adopted into everyday rehabilitation. OBJECTIVE: This project aimed to identify stakeholder (therapists, patients, and caregivers) priorities for stroke rehabilitation technologies and to generate user-centered solutions for enhancing everyday adoption. METHODS: We invited stakeholders (n=60), comprising stroke survivors (20/60, 33%), therapists (20/60, 33%), caregivers, and technology developers (including researchers; 20/60, 33%), to attend 2 facilitated workshops. Workshop 1 was preceded by a national survey of stroke survivors and therapists (n=177) to generate an initial list of priorities. The subsequent workshop focused on identifying practical solutions to enhance adoption. RESULTS: A total of 25 priorities were generated from the survey; these were reduced to 10 nonranked priorities through discussion, consensus activities, and voting at Workshop 1: access to technologies, ease of use, awareness of available technologies, technologies focused on function, supports self-management, user training, evidence of effectiveness, value for money, knowledgeable staff, and performance feedback. The second workshop provided recommendations for improving the adoption of technologies in stroke rehabilitation: an annual exhibition of commercially available and developing technologies, an online consumer-rating website of available technologies, and a user network to inspire and test new technologies. CONCLUSIONS: The key outcomes from this series of stakeholder workshops provides a starting point for an integrated approach to promoting greater adoption of technologies in stroke rehabilitation. Bringing technology developers and users together to shape future and evaluate current technologies is critical to achieving evidence-based stroke rehabilitation.
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 | 0,025 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».