A systematic review of the determinants of implementation of a locomotor training program using a powered exoskeleton for individuals with a spinal cord injury
Notice bibliographique
Résumé
BACKGROUND: Wearable powered exoskeletons represent a promising rehabilitation tool for locomotor training in various populations, including in individuals with a spinal cord injury. The lack of clear evidence on how to implement a locomotor powered exoskeleton training program raises many challenges for patients, clinicians and organizations. OBJECTIVE: To report determinants of implementation in clinical practice of an overground powered exoskeleton locomotor training program for persons with a spinal cord injury. DATA SOURCES: Medline, CINAHL, Web of Science. STUDY SELECTION: Studies were included if they documented determinants of implementation of an overground powered exoskeleton locomotor training program for individuals with spinal cord injury. DATA EXTRACTION: Eligible studies were identified by two independent reviewers. Data were extracted by one reviewer, based on constructs of the Consolidated Framework for Implementation Research, and validated by a second reviewer. RESULTS: Sixty-three articles were included. 49.4% of all determinants identified were related to the intervention characteristics, 29.6% to the individuals' characteristic and 13.5% to the inner setting. Recurrent barriers identified were the high prevalence of adverse events (e.g., skin issues, falls) and device malfunctions. Adequate training for clinicians, time and resource available, as well as discussion about patients' expectations were identified as facilitators. CONCLUSIONS: Powered exoskeleton training is a complex intervention. The limited information on the context and the implementation process domains may represent a barrier to a successful transition from knowledge to action.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».