Fatigue self-management led by occupational therapists and/or physiotherapists for chronic conditions: A systematic review and meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to investigate the effectiveness of occupational therapist-/physiotherapist-guided fatigue self-management for individuals with chronic conditions. METHODS: Eight databases, including MEDLINE and EMBASE, were searched until September 2019 to identify relevant studies. Randomised controlled trials and quasi-experimental studies of self-management interventions specifically developed or delivered by occupational therapists/physiotherapists to improve fatigue symptoms of individuals with chronic conditions were included. A narrative synthesis and meta-analysis were conducted to determine the effectiveness of fatigue self-management. RESULTS: Thirty-eight studies were included, and fatigue self-management approaches led by occupational therapists/physiotherapists were divided into six categories based on the intervention focus: exercise, energy conservation, multimodal programmes, activity pacing, cognitive-behavioural therapy, and comprehensive fatigue management. While all exercise programmes reported significant improvement in fatigue, other categories showed both significant improvement and no improvement in fatigue. Meta-analysis yielded a standardised mean difference of the overall 13 studies: 0.42 (95% confidence interval:-0.62 to - 0.21); standardised mean difference of the seven exercise studies was -0.55 (95% confidence interval: -0.78 to -0.31). DISCUSSION: Physical exercises inspired by the self-management principles may have positive impacts on fatigue symptoms, quality of life, and other functional abilities.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle