A systematic review of the effectiveness of mass media campaigns for the management of low back pain
Notice bibliographique
Résumé
PURPOSE: To synthesize evidence on the effectiveness of mass media campaigns for the management of LBP on beliefs of the general public and health care providers, LBP-related disability, health utilization, and LBP clinical outcomes. MATERIALS AND METHODS: Five electronic databases were searched from inception to December 17, 2019. Any studies evaluating the effectiveness of mass media campaigns for LBP were eligible. Primary outcome was general public LBP beliefs, while secondary outcomes included health care provider beliefs as well as LBP-related disability, health utilization, and clinical outcomes. RESULTS: The search resulted in 4,164 unique records, of which 18 studies were included. These 18 studies predominantly used quasi-experimental methods to evaluate seven LBP mass media campaigns conducted in seven countries. All studies evaluating LBP beliefs in the general public detected positive effects. Health care provider beliefs also consistently improved. Results for behavioural outcomes (disability behaviour and health utilization) were mixed and appeared dependent on campaign characteristics and local context. CONCLUSIONS: Mass media campaigns for LBP appear effective for improving beliefs of the general public and health care providers. REGISTRATION: Prospero CRD42018116797IMPLICATIONS FOR REHABILITATIONMass media campaigns about low back pain (LBP) appear effective for improving beliefs of the general public and health care providers, aligning beliefs with current evidence and self-management principles.Rehabilitation professionals should be aware of and seek to support public education initiatives in their communities related to LBP and other disabling health conditions.Rehabilitation professionals can highlight and reinforce campaign messages when providing education and reassurance to individual patients.Several campaign resources (i.e., posters, pamphlets, electronic resources, etc.) are available for rehabilitation professionals to use in their efforts to reduce disability related to LBP.
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 | 0,015 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,008 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».