Development of a co-created online self-management program for people with lower limb loss: self-management for amputee rehabilitation using technology (SMART)
Notice bibliographique
Résumé
PURPOSE: To develop an online self-management program for individuals with recent lower limb loss, called Self-Management for Amputee Rehabilitation using Technology (SMART). MATERIALS AND METHODS: We used the Intervention Mapping Framework as a blueprint and involved stakeholders throughout the process. A six-step study was conducted including (1) needs assessment using interviews, (2) translating needs to content, (3) applying the content into a prototype using theory-based methods, (4) a usability assessment using think-aloud cognitive testing, (5) planning for future adoption and implementation, and (6) assessing feasibility using mixed-methods to generate a plan to assess the effectiveness on health-outcomes in a randomized controlled trial. RESULTS: = 12) by recruiting individuals with lower limb loss from different pools. We modified SMART to be assessed in a randomized controlled trial. SMART is a six-week online program with weekly contact of a peer mentor with lower limb loss who supported patients with goal-setting and action-planning. CONCLUSIONS: Intervention mapping facilitated the systematic development of SMART. SMART may improve health outcomes, but this would need to be confirmed in future studies.Implications for rehabilitationLearning new coping strategies and habits are essential after lower limb loss.Given the limitations and inaccessibility of educational and rehabilitation programs, online self-management education can assist patients in their recovery.Self-Management for Amputee Rehabilitation using Technology (SMART) has the potential to augment the self-management behaviors in individuals with lower limb loss through an improvement in access to educational content, skill-based videos, and support of a peer.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».