Telerehabilitation for Patients With Knee Osteoarthritis: A Focused Review of Technologies and Teleservices
Notice bibliographique
Résumé
Background Telerehabilitation programs are designed with the aim of improving the quality of services as well as overcoming existing limitations in terms of resource management and accessibility of services. This review will collect recent studies investigating telerehabilitation programs for patients with knee osteoarthritis while focusing on the technologies and services provided in the programs. Objective The main objective of this review is to identify and discuss the modes of service delivery and technologies in telerehabilitation programs for patients with knee osteoarthritis. The gaps, strengths, and weaknesses of programs will be discussed individually. Methods Studies published in English since 2000 were retrieved from the EMBASE, Scopus, Web of Science, Cumulative Index to Nursing and Allied Health Literature (CINAHL), PubMed, Physiotherapy Evidence Database (PEDro), and PsycINFO databases. The search words “telerehabilitation,” “telehealth,” “telemedicine,” “teletherapy,” and “ehealth” were combined with “knee” and “rehabilitation” to generate a data set of studies for screening and review. The final group of studies reviewed here includes those that implemented teletreatment for patients for at least 2 weeks of rehabilitation. Results In total, 1198 studies were screened, and the full text of 154 studies was reviewed. Of these, 38 studies were included, and data were extracted accordingly. Four modes of telerehabilitation service delivery were identified: phone-based, video-based, sensor-based, and expert system–based telerehabilitation. The intervention services provided in the studies included information, training, communication, monitoring, and tracking. Video-based telerehabilitation programs were frequently used. Among the identified services, information and educational material were introduced in only one-quarter of the studies. Conclusions Video-based telerehabilitation programs can be considered the best alternative solution to conventional treatment. This study shows that, in recent years, sensor-based solutions have also become more popular due to rapid developments in sensor technology. Nevertheless, communication and human-generated feedback remain as important as monitoring and intervention services.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».