Telehealth intervention and childhood apraxia of speech: a scoping review
Notice bibliographique
Résumé
Background: In the wake of the COVID-19 outbreak, many speech-language pathologists have transitioned from in-person service delivery to online environments. As such, there is an urgent need to inform clinicians on the availability of efficacious and effective telehealth interventions for childhood apraxia of speech (CAS).Objectives: This review was informed by the following clinical question: Is providing intervention remotely through telehealth as efficacious and effective as in-person therapy for treating CAS?Methods, eligibility criteria, and sources of evidence: Eight databases and seven search engines were searched for articles to identify intervention studies that have investigated the efficacy and/or effectiveness of treating CAS remotely. Search criteria was restricted to papers with children under 18 years of age, published in the English language between 1993 and 2020.Results: Two studies were found to meet our inclusion criteria. A phase I study employed a multiple baseline across participants design to investigate the efficacy of the Rapid Syllable Transition treatment via telehealth. The second study assessed the feasibility of adopting a novel system for the remote administration of the Nuffield Dyspraxia Program-Third Edition. Based on the Oxford hierarchy Centre for Evidence-Based Medicine, both studies are level IV (case-series/case-control), and therefore deemed low level evidence. Results showed limited but promising outcomes when CAS therapy is conducted remotely.Conclusion: There is limited, low-level evidence indicating positive outcomes for the remote treatment of CAS via telehealth. The scarcity of data available warrants a need for large-scale randomized control trials and controlled clinical trials.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».