Implementation of Telerehabilitation in an Early Supported Discharge Stroke Rehabilitation Program before and during COVID-19: An Exploration of Influencing Factors
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: To identify the factors influencing the implementation of telerehabilitation (TR) in a post-stroke early supported discharge (ESD) rehabilitation program as perceived by clinicians and managers. Methods: A descriptive qualitative design was used in collaboration with a Canadian ESD stroke rehabilitation program. After 15 months of pre-COVID-19 implementation and 4 months of COVID-19 implementation, 9 stakeholders (7 clinicians, 1 coordinator and 1 manager) from an ESD program participated in 2 focus groups online or an individual interview. Qualitative data were coded and analyzed semi-deductively for the pre-COVID-19 and COVID-19 phases using the Consolidated Framework for Implementation Research (CFIR). Results: Four categories emerged related to the CFIR, each with themes: (1) Telerehabilitation, which included “Technology” and “Clinical activities”; (2) Telerehabilitation users, which included: “Clients’ characteristics” and “Clinicians’ characteristics”; (3) Society and healthcare system, which included “Changes related to COVID-19” and “ESD program”; and (4) TR implementation process, which included “Planning” and “Factors that influenced practice change”. Conclusions: Factors impacting TR implementation in the ESD program were found to be numerous and varied according to the pre-COVID-19 or COVID-19 phases. Clinicians’ motivation regarding potential gains for them in using TR was key in its implementation during the COVID-19 period.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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