Identifying and Overcoming the Barriers to Virtual Electromyography Assessments: A Scoping Review
Notice bibliographique
Résumé
Introduction: Electromyography (EMG) assessments have been conducted virtually more frequently in recent years, leading researchers to explore the barriers to EMG assessments in a telehealth setting and how to overcome them. Methods: A scoping review was conducted according to the methodology described by Arksey and O'Malley. A comprehensive search using controlled vocabulary and keywords for two concepts, EMG and telehealth, was conducted using Medline and EMBASE on February 7, 2022. Two independent reviewers screened titles, abstracts, and full-text articles. Two reviewers also extracted the data and described the findings in a descriptive analysis. Results: A total of 248 articles were screened during the abstract and title review, of which 64 full texts were screened for eligibility. Of these, 15 publications met the inclusion criteria. Most articles were published in 2018 or later (66.7%). The most frequently mentioned barrier to conducting a virtual EMG assessment was poor data and signal transmission (53.3%). Another frequently mentioned barrier was poor patient usability (33.3%). Solutions most frequently reported related to patient usability (33.3%). These included interactive instructions and video chat to monitor and provide the patient with technical support. Conclusion: The last 4 years have seen an increase in articles published on EMGs' use in telehealth to monitor or diagnose patients. Further research is required to determine if the proposed solutions have improved clinical outcomes for the patient.
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 | 0,050 | 0,172 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,029 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».