Clinical practice pattern of managing low back pain among physiotherapists in Bangladesh: A cross-sectional study
Notice bibliographique
Résumé
INTRODUCTION: Low back pain (LBP) is the top global cause of disability, and physiotherapy interventions are used to manage it. However, understanding of the practice pattern of physiotherapists dealing with LBP patients in low- and middle-income countries (LMICs) is limited. This study aimed to explore the LBP practice pattern of LMIC’s (i. e., Bangladesh) physiotherapists by their demographic and professional factors. METHODS: This cross-sectional study sent a survey to randomly selected physiotherapists via email. RESULTS: Data of 423 illegible physiotherapist were analyzed. The majority of the physiotherapists (54.8%) were nongovernment service holders, and 87.7% worked in an urban setting. Recommended interventions were frequently used by only 12.3%, occasionally used by 66.2%, and 21.5% did not offer those interventions. Partially recommended interventions were frequently used by 33.3%, occasionally used by 43.7%, and never used by 23% of physiotherapists. For not recommended interventions, 69.3% occasionally, 13.5% frequently, and 17.3% never used such interventions. CONCLUSION: The study explored the practice pattern of physiotherapists of an LMIC by comparing available evidence-based practice guidelines for LBP. The findings of this study may provide an LMIC database to inform future research, clinical practice and education to ensure adherence to evidence-based LBP physiotherapy management.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».