MétaCan
Menu
Retour à la cohorte
Enregistrement W4386935101 · doi:10.1186/s12998-023-00515-y

Patient and provider characteristics associated with therapeutic intervention selection in a chiropractic clinical encounter: a cross-sectional analysis of the COAST and O-COAST study data

2023· article· en· W4386935101 sur OpenAlexafffundabout
Hazel Jenkins, Aron Downie, Jessica J. Wong, James J. Young, Eric J. Roseen, Casper Nim, David McNaughton, Cecilie K. Øverås, Jan Hartvigsen, Silvano Mior, Simon French

Notice bibliographique

RevueChiropractic & Manual Therapies · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueMusculoskeletal pain and rehabilitation
Établissements canadiensCanadian Memorial Chiropractic CollegeUniversity Health NetworkOntario Tech University
Organismes subventionnairesNational Center for Complementary and Integrative HealthOntario Chiropractic AssociationQueen's University
Mots-clésChiropracticMedicineCross-sectional studySelection (genetic algorithm)RehabilitationIntervention (counseling)Family medicinePhysical therapyAlternative medicineNursingPathologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Chiropractors use a variety of therapeutic interventions in clinical practice. How the selection of interventions differs across musculoskeletal regions or with different patient and provider characteristics is currently unclear. This study aimed to describe how frequently different interventions are used for patients presenting for chiropractic care, and patient and provider characteristics associated with intervention selection. METHODS: Data were obtained from the Chiropractic Observation and Analysis STudy (COAST) and Ontario (O-COAST) studies: practice-based, cross-sectional studies in Victoria, Australia (2010-2012) and Ontario, Canada (2014-2015). Chiropractors recorded data on patient diagnosis and intervention selection from up to 100 consecutive patient visits. The frequency of interventions selected overall and for each diagnostic category (e.g., different musculoskeletal regions) were descriptively analysed. Univariable multi-level logistic regression (provider and patient as grouping factors), stratified by diagnostic category, was used to assess the association between patient/provider variables and intervention selection. RESULTS: Ninety-four chiropractors, representative of chiropractors in Victoria and Ontario for age, sex, and years in practice, participated. Data were collected on 7,966 patient visits (6419 unique patients), including 10,731 individual diagnoses (mean age: 43.7 (SD: 20.7), 57.8% female). Differences in patient characteristics and intervention selection were observed between chiropractors practicing in Australia and Canada. Overall, manipulation was the most common intervention, selected in 63% (95%CI:62-63) of encounters. However, for musculoskeletal conditions presenting in the extremities only, soft tissue therapies were more commonly used (65%, 95%CI:62-68). Manipulation was less likely to be performed if the patient was female (OR:0.74, 95%CI:0.65-0.84), older (OR:0.79, 95%CI:0.77-0.82), presenting for an initial visit (OR:0.73, 95%CI:0.56-0.95) or new complaint (OR:0.82, 95%CI:0.71-0.95), had one or more comorbidities (OR:0.63, 95%CI:0.54-0.72), or was underweight (OR:0.47, 95%CI:0.35-0.63), or obese (OR:0.69, 95%CI:0.58-0.81). Chiropractors with more than five years clinical experience were less likely to provide advice/education (OR:0.37, 95%CI:0.16-0.87) and exercises (OR:0.17, 95%CI:0.06-0.44). CONCLUSION: In more than 10,000 diagnostic encounters, manipulation was the most common therapeutic intervention for spine-related problems, whereas soft tissue therapies were more common for extremity problems. Different patient and provider characteristics were associated with intervention selection. These data may be used to support further research on appropriate selection of interventions for common musculoskeletal complaints.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,477

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,392
Écart entre enseignants0,332 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueChiropractic & Manual TherapiesMême sujetMusculoskeletal pain and rehabilitationTravaux en français237 207