Routine use proportion and determining factors of the Canadian Occupational Performance Measure in the real-world setting: A retrospective cross-sectional study in Japan
Notice bibliographique
Résumé
Introduction The aim of this retrospective cross-sectional study is to examine the routine use proportion and factors determining the use of the Canadian Occupational Performance Measure in the real-world subacute rehabilitation setting. Methods This study retrospectively collected data from all inpatients and occupational therapists at a single Japanese subacute rehabilitation ward during 2017, including Functional Independence Measure motor/cognitive scores, years of experience, and rate of Canadian Occupational Performance Measure administration (that is, Canadian Occupational Performance Measure proportion). Multiple logistic regression analyses were used to identify the determining factors of daily routine Canadian Occupational Performance Measure use/non-use, after which cut-off values were calculated. Results Of the 619 included clients, the Canadian Occupational Performance Measure was applied in 232 cases (37%). A multiple logistic regression analysis revealed two significant determining factors of its use: Canadian Occupational Performance Measure proportion (odds ratio, 1.06) and Functional Independence Measure cognitive item (odds ratio, 1.22). The cut-off value, sensitivity, and specificity, respectively, were 35.4%, 0.73, and 0.36 ( p < 0.0001) for the Canadian Occupational Performance Measure proportion and 25.5, 0.84, and 0.45 ( p < 0.0001) for the Functional Independence Measure cognitive score. Conclusion The client’s high-level cognitive skill and occupational therapist’s attitude may determine the use of the Canadian Occupational Performance Measure.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».