Which Factors Influence the Use of Patient-Reported Outcome Measures in Dutch Physiotherapy Practice? A Cross-Sectional Study
Notice bibliographique
Résumé
Purpose: Patient-reported outcome measures (PROMs) have the potential to enhance the quality of health care but, as a result of suboptimal implementation, it is unclear whether they fulfil this role in physiotherapy practice. This cross-sectional study aimed to identify the factors influencing PROM use in Dutch private physiotherapy practices. Method: A total of 444 physiotherapists completed a self-assessment questionnaire and uploaded the data from their electronic health record (EHR) systems to the national registry of outcome data. Univariate and multivariate ordinal logistic and linear regression analysis were used to identify the factors associated with self-reported PROM use and PROM use registered in the EHR systems, which were derived from the self-assessment questionnaire and from the data in the national registry, respectively. Five categories with nine independent variables were selected as potential factors for regression analysis. The similarity between self-reported and registered PROM use was verified. Results: On the basis of self-report and EHR report, we found that 21.6% and 29.8% of participants, respectively, used PROMs with more than 80% of their patients, and we identified the factors associated with PROM use. Conclusions: The factors associated with PROM use are EHR systems that support PROM use and more knowledge about PROM use. These findings can guide future strategies to enhance the use of PROMs in physiotherapy 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».