Telehealth interventions for mobility after lower limb loss: A systematic review and meta-analysis of randomized controlled trials
Notice bibliographique
Résumé
BACKGROUND: Mobility is a crucial component for healthy aging after lower limb loss (LLL). Telehealth technologies, for example, smart devices, are novel approaches for health programs delivery regardless of geographical boundaries. OBJECTIVES: To assess the effect of telehealth interventions on mobility, quality of life, and antecedents of health behavior compared with a control condition (usual care or simpler telehealth interventions with fewer number of behavior change techniques [BCTs]) for community-dwelling adults (>50 years) with an LLL and the effect of mode of delivery and BCTs used in telehealth interventions on health outcomes. STUDY DESIGN: Systematic review and meta-analysis. METHODS: We systematically searched MEDLINE, PubMed, Embase, Cumulative Index to Nursing and Allied Health Literature, Cochrane, PsycINFO, and SPORTDiscus on January 28, 2021, to identify relevant randomized controlled trials. Two authors independently screened records and assessed risk of bias. We conducted a narrative synthesis of evidence and, when appropriate, used the standardized mean difference (SMD) and mean difference for meta-analyses and the Grading Recommendations Assessment, Development, and Evaluation approach for practice recommendations. RESULTS: We identified six randomized controlled trials. Telephone was the most common delivery mode (n = 3), and "instructions for performing behaviors" was the most common BCT (n = 5). Very low certainty evidence showed no changes in mobility (six studies: SMD = 0.33 [95% confidence interval [CI] = -0.08, 0.75]), quality of life (two studies: mean difference = -0.08 [95% CI = -0.30, 0.15]), and antecedents of behavior (five studies: SMD = 0.04 [95% CI = -0.28, 0.36]). CONCLUSIONS: Our review highlights a knowledge gap for the effect of telehealth interventions for people with LLL. Although no promising effect was shown for telehealth interventions, very low certainty evidence precludes making a definitive clinical recommendation.
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 | 0,023 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,022 | 0,032 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».