Patient Outcomes After Treatment by Athletic Therapy Students
Notice bibliographique
Résumé
CONTEXT: Patient-reported outcome measures (PROMs) should be used in athletic training and athletic therapy but are rarely incorporated in internships. Student-run clinics are common in other health professions and provide effective treatment and valuable learning environments. To our knowledge, no one has evaluated rehabilitation outcomes in patients treated by athletic therapy students (ATSs). OBJECTIVE: To measure the improvement in function in injured patients seeking treatment at an ATS clinic. DESIGN: Cohort study. SETTING: An ATS clinic. PATIENTS OR OTHER PARTICIPANTS: A total of 59 patients (32 women, age = 33.9 ± 14.7 years; 27 men, age = 38 ± 14.4 years) from the community with a variety of low back, lower extremity, and upper extremity injuries participated. MAIN OUTCOME MEASURE(S): At baseline and 6-week follow-up, all patients completed 1 of 3 scales (depending on their injury location) to assess their injured level of function. Scales were the Oswestry Disability Index for low back injuries; Lower Extremity Functional Scale for lower extremity injuries; and Disabilities of the Arm, Shoulder and Hand for upper extremity injuries. RESULTS: On average, patients received 4.7 ± 1.8 treatments across 48.8 ± 16.1 days. They experienced an increase in function between baseline and follow-up assessments (18.8% ± 20.3%; P < .001, Cohen d = 1.06). Moreover, the amount of functional improvement was clinically meaningful, as it was greater than the minimal clinically important difference for each scale. The efficacy of treatments did not differ according to the internship experiences of the ATSs. CONCLUSIONS: Function improved in patients after treatment delivered by an ATS. Patient-reported outcome measures were useful for the students in monitoring patient improvement, but more research is needed regarding effective treatments for patients with chronic pain. Our results suggested that ATS clinics provide effective treatments for patients, service to the community, and a learning opportunity for students.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».