MétaCan
Menu
Retour à la cohorte
Enregistrement W4223516009 · doi:10.3389/fnagi.2022.781226

Rehabilitation at the Time of Pandemic: Patient Journey Recommendations

2022· review· en· W4223516009 sur OpenAlexafffund
Ahmed Negm, Adrian Salopek, Mashal Zaide, Victoria J. Meng, Carlos Prada, Yaping Chang, Preeti Zanwar, Flávia H. Santos, Elena Philippou, Emily R. Rosario, Julie Faieta, Shanti M. Pinto, Jason R. Falvey, Amit Kumar, Timothy Reistetter, Vanina Dal Bello‐Haas, Mohit Bhandari, Jonathan F. Bean, Patricia Heyn

Notice bibliographique

RevueFrontiers in Aging Neuroscience · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueLong-Term Effects of COVID-19
Établissements canadiensMcMaster UniversityUniversity of Alberta
Organismes subventionnairesNational Institute of General Medical SciencesCommon FundNational Institute on AgingNational Institutes of HealthAlberta Innovates
Mots-clésCINAHLPandemicRehabilitationMedicineData extractionHealth careMEDLINEPopulationGrading (engineering)Coronavirus disease 2019 (COVID-19)Family medicinePhysical therapyNursingDiseasePsychological interventionEnvironmental healthInfectious disease (medical specialty)Political sciencePathology

Résumé

récupéré en direct d'OpenAlex

Purpose: The World Health Organization (WHO) declared severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) a pandemic in March 2020, causing almost 3.5 million coronavirus disease (COVID-19) related deaths worldwide. The COVID-19 pandemic has imposed a significant burden on healthcare systems, economies, and social systems in many countries around the world. The access and delivery of rehabilitation care were severely disrupted, and patients have faced several challenges during the COVID-19 outbreak. These challenges include addressing new functional impairments faced by survivors of COVID-19 and infection prevention to avoid the virus spread to healthcare workers and other patients not infected with COVID-19. In this scoping review, we aim to develop rehabilitation recommendations during the COVID-19 pandemic across the continuum of rehabilitation care. Materials and Methods: Established frameworks were used to guide the scoping review methodology. Medline, Embase, Pubmed, CINAHL databases from inception to August 1, 2020, and prominent rehabilitation organizations' websites were searched. Study Selection: We included articles and reports if they were focused on rehabilitation recommendations for COVID-19 survivors or the general population at the time of the COVID-19 pandemic. Data Extraction: Two of our team members used the pre-tested data extraction form to extract data from included full-text articles. The strength and the quality of the extracted recommendations were evaluated by two reviewers using the GRADE (Grading of Recommendations, Assessment, Development and Evaluation) approach. Results: We retrieved 6,468 citations, of which 2,086 were eligible after removing duplicates. We excluded 1,980 citations based on the title and the abstract. Of the screened full-text articles, we included 106 studies. We present recommendations based on the patient journey at the time of the pandemic. We assessed the evidence to be of overall fair quality and strong for the recommendations. Conclusion: We have combined the latest research results and accumulated expert opinions on rehabilitation to develop acute and post-acute rehabilitation recommendations in response to the global COVID-19 pandemic. Further updates are warranted in order to incorporate the emerging evidence into rehabilitation guidelines.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,058
score de la tête « metaresearch » (Gemma)0,215
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,058
Score d'incertitude au seuil0,306

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0580,215
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,007
Bibliométrie0,0100,006
Études des sciences et des technologies0,0040,002
Communication savante0,0100,017
Science ouverte0,0060,008
Intégrité de la recherche0,0120,009
Charge utile insuffisante (le modèle a refusé de juger)0,0140,006

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,352
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Aging NeuroscienceMême sujetLong-Term Effects of COVID-19Travaux en français237 207