Feasibility of an Interactive Coaching App to Enhance Post-concussion Outpatient Care
Notice bibliographique
Résumé
Objectives: To determine the feasibility of patients to use a web-based health app for management of post-concussion (mTBI) symptoms in an out-patient setting. Participants: Seven (7) patients who were referred to an outpatient specialist clinic (physiatry) with persisting symptoms following a concussion. Participants had to be 18 years of age or older and more than 3 months post injury. Design: This was a prospective cohort study using a web-based platform for chronic disease management to guide patients in managing symptoms based on individual clinical recommendations. Each patient received weekly Symptom Management Plans created by a health coach and a physician specialist, designed to reinforce positive progress with clinical recommendations. Main Measures: Adherence to tracking daily recommendations and symptoms (data collected through the web-interface), The Rivermead Post-Concussion Questionnaire (self report) and a Satisfaction Questionnaire (self report). Results: Adherence to assigned clinical recommendations was close to 100%. Pre-post results on the patient reported outcome measure (Rivermead Post Concussion Tool) showed improvement for most patients in their experience of symptoms. The Satisfaction Questionnaire showed high rates of satisfaction with the App and the intervention in general. Conclusions: Use of a web-based health app with a health coach is feasible in this patient population from both the patient and clinician perspective based on high adherence. There is also some evidence of improvement of symptoms with this intervention over time. Further exploration of the use of this type of intervention with post-concussion patients could potentially impact long-term outcomes.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».