Expert consensus for in-hospital neurorehabilitation during the COVID-19 pandemic in low- and middle-income countries
Notice bibliographique
Résumé
Background: People with neurological dysfunction have been significantly affected by the ongoing coronavirus disease 2019 (COVID-19) crisis in receiving adequate and quality rehabilitation services. There are no clear guidelines or recommendations for rehabilitation providers in dealing with patients with neurological dysfunction during a pandemic situation especially in low- and middle-income countries. The objective of this paper was to develop consensus-based expert recommendations for in-hospital based neurorehabilitation during the COVID-19 pandemic for low- and middle-income countries based on available evidence. Methods: A group of experts in neurorehabilitation consisting of neurologists, physiotherapists and occupational therapists were identified for the consensus groups. A scoping review was conducted to identify existing evidence and recommendations for neurorehabilitation during COVID-19. Specific statements with level 2b evidence from studies identified were developed. These statements were circulated to 13 experts for consensus. The statements that received ≥80% agreement were grouped in different themes and the recommendations were developed. Results: 75 statements for expert consensus were generated. 72 statements received consensus from 13 experts. These statements were thematically grouped as recommendations for neurorehabilitation service providers, patients, formal and informal caregivers of affected individuals, rehabilitation service organizations, and administrators. Conclusions: The development of this consensus statement is of fundamental significance to neurological rehabilitation service providers and people living with neurological disabilities. It is crucial that governments, health systems, clinicians and stakeholders involved in upholding the standard of neurorehabilitation practice in low- and middle-income countries consider conversion of the consensus statement to minimum standard requirements within the context of the pandemic as well as for the future.
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 | 0,182 | 0,335 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,010 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
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 ».