Referrals from Health Care Professionals to Community-Based Exercise Programmes Targeting People with Balance and Mobility Limitations: An Interviewer-Administered Survey
Notice bibliographique
Résumé
Purpose: To describe programme representatives’ perceptions of the: (1) type and work setting of health care professionals who refer to community-based exercise programmes with health care-community partnerships (CBEP-HCPs) by community size; (2) nature, frequency, and utility of strategies used to promote referral from health care professionals to CBEP-HCPs; and (3) facilitators and barriers to CBEP-HCP promotion. Method: We invited individuals involved with the Together in Movement and Exercise (TIME™) programme in 48 centres to participate in a cross-sectional survey. TIME™ is a group, task-oriented CBEP-HCP taught by fitness instructors; health care partners promote referrals. Data were summarized using frequencies and percentages. Content analysis was used for open-ended questions. Results: Twenty-three representatives of 27 TIME™ programmes (56% response rate) participated. Out of 26 health care partners identified, 69% were physical therapists. We report the most common findings: programmes received referrals from physical therapists (16, 70%); programmes gave health care partners promotional materials (e.g., flyers) to facilitate referrals ( n = 17, 63%); strong relationships with health care partners facilitated promotion ( n = 18, 78%); and representatives perceived their lack of credibility challenged promotion ( n = 3, 23%). Conclusions: Physical therapists were the most common referral source. Health Care partners were instrumental in programme promotion. Future research is needed to leverage referrals from physical therapists in settings other than hospitals and to better understand the role of health care partners in CBEP-HCPs.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».