FACTOR ANALYSIS OF UPPER LIMB PROSTHETIC ACCEPTANCE FROM RETROSPECTIVE PROSTHETIC CLINICIAN SURVEY
Notice bibliographique
Résumé
INTRODUCTION
 Upper limb prosthetic acceptance seems to be relatively unchanged from 1958 where it was measured to be 75% for transradial, 61% for transhumeral, and 35% for shoulder disarticulation levels. A practitioner survey from 2013 by the author found this to be largely unchanged at 79.6%, 57.8%, and 32.8% respectively. An upper limb meta-analysis showed that the most significant factors affecting prosthetic rejection using a median rating were function, comfort, ease of use, weight, heat, lack of sensory feedback, inconvenience, lifestyle, dissatisfaction with technology, irritation, and availability of services. An earlier survey by the author condensed these factors of rejection to amputation level, functional advantage, and comfort, and included confidence of the prosthetist, availability of therapy, and support of the patient context. Also it was speculated that the value of factors influencing rejection of prostheses may not be simply the converse of those accepting the prosthesis but different scales.
 Abstract PDF Link: https://jps.library.utoronto.ca/index.php/cpoj/article/view/32045/24459
 How to cite: Stark G E. FACTOR ANALYSIS OF UPPER LIMB PROSTHETIC ACCEPTANCE FROM RETROSPECTIVE PROSTHETIC CLINICIAN SURVEY. CANADIAN PROSTHETICS & ORTHOTICS JOURNAL, VOLUME 1, ISSUE 2, 2018; ABSTRACT, ORAL PRESENTATION AT THE AOPA’S 101ST NATIONAL ASSEMBLY, SEPT. 26-29, VANCOUVER, CANADA, 2018. DOI: https://doi.org/10.33137/cpoj.v1i2.32045 
 Abstracts were Peer-reviewed by the American Orthotic Prosthetic Association (AOPA) 101st National Assembly Scientific Committee. 
 http://www.aopanet.org/
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».