Systematic reviews in spinal cord injury: A step-by-step guide for rehabilitation science learners and clinicians
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has created opportunity for multiple rehabilitation science learners and clinicians to critically evaluate and synthesize published research in the field of spinal cord injury (SCI) rehabilitation. OBJECTIVE: To provide a step-by-step guide for rehabilitation science learners and clinicians outlining how to conduct rigorous systematic reviews in the field of SCI. RESULTS: Steps for conducting a systematic review (SR) include: (1) formation of the SR team consisting of interprofessional experts; (2) formulation of the research question(s) with patient/population/problem, Intervention, Comparison, and Outcome (PICO) specification; (3) determination of inclusion and exclusion criteria; (4) development of SR protocol and registration; (5) development of the search strategies (database specific); (6) screening of titles and abstracts (level 1 screening), and full-texts (level 2 screening); (7) quality assessment of the included studies; (8) data extraction; (9) summary of findings and discussion; and, (10) dissemination of results. CONCLUSIONS: The enclosed ten steps for conducting SRs in SCI rehabilitation research have the potential to significantly improve the quality of evidence synthesis and the associated inferences. The importance of assembling team with diverse expertise is emphasized to assure a quality product with the potential to influence practice and inform the content of clinical practice recommendations.
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 | 0,023 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».