Current Practices Among Speech-Language Pathologists for Mild Traumatic Brain Injury: A Mixed-Methods Modified Delphi Approach
Notice bibliographique
Résumé
Purpose The study purpose was to capture the clinical practice patterns of speech-language pathologists (SLPs) treating mild traumatic brain injury (mTBI; concussion). Study aims were to (a) characterize expert SLP practice patterns for the management of mTBI and (b) use qualitative content analysis to explore areas of quantitative variability within participants' responses. Method Using a modified Delphi approach, SLPs completed an online survey, with Round 1 responses shaping questions for Round 2. Round 2 results were analyzed using a concurrent partially mixed-methods approach with quantitative and qualitative items. Quantitative consensus agreement levels were set prestudy at 75% agreement or higher. Topic-level items that did not reach consensus were analyzed using qualitative content analysis. Participants SLPs engaging in a specialty mTBI-SLP networking group were invited to participate. Round 1 had nine participants (United States: 4, Canada: 5). Round 2 had 18 participants (United States: 12, Canada: 6), with a mean of 15.7 years of experience in mTBI (range: 3-33) and a mean of 7.6 clients with mTBI seen weekly (range: 1-25). Results Nearly all topic-level practice items met quantitative consensus (42/45). Consensus areas included using conceptual frameworks, interprofessional teaming, assessment and intervention practices, goal setting, and outcomes. Functional, collaborative, and client-centered care anchored clinical practice. Areas lacking consensus included SLP roles in mTBI mental and somatic health symptoms, specific measurement tools, and intervention dosages. Qualitative themes that emerged included limited interprofessional awareness for the role of SLPs in mTBI and challenges in measurement selection. Conclusions Study aims were met with clear consensus on clinical patterns implemented by SLPs specializing in mTBI. Results will inform both current clinical practices and future practice guidelines. High-level guidance and advocacy are needed to clarify SLP practice concerns and advance interprofessional education. Future work should address identified gaps, including targeted assessment tools and consensus on intervention methods.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».