Fatigue self-management led by occupational therapists and/or physiotherapists for chronic conditions: A systematic review and meta-analysis
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.
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 | 0,016 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,025 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 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 ».