Addressing Physical Activity Behavior in Multiple Sclerosis Management
Notice bibliographique
Résumé
BACKGROUND: Although physical activity (PA) is considered the most important nonpharmaceutical intervention for persons with multiple sclerosis (MS), less than 20% of people with MS are engaging in sufficient amounts to accrue benefits. Promotion of PA is most effective when combined with additional behavior change strategies, but this is not routinely done in clinical practice. This study aimed to increase our understanding of current practice and perspectives of health care providers (HCPs) in Canada regarding their use of interventions to address PA behavior in MS management. Investigating HCPs' perspectives on implementing PA behavior change with persons with MS will provide insight into this knowledge-to-practice gap. METHODS: Semistructured focus groups were conducted with 31 HCPs working with persons with MS in Saskatchewan, Canada. Based on interpretive description, data were coded individually by three researchers, who then collaboratively developed themes. Analysis was inductive and iterative; triangulation and member reflections were used. RESULTS: Five themes were established: 1) prescribing, promoting, and impacting wellness with PA; 2) coordinating communication and continuity in practice; 3) timely access to relevant care: being proactive rather than reactive; 4) enhancing programming and community-based resources; and 5) reconciling the value of PA with clinical practice. CONCLUSIONS: The HCPs value PA and want more support with application of behavior change strategies to deliver PA behavioral interventions, but due to the acute and reactive nature of health care systems they feel this cannot be prioritized in practice. Individual- and system-level changes are needed to support consistent and effective use of PA behavioral interventions in MS.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».