Selecting Goals and Target Muscles for Botulinum Toxin A Injection Using the Goal Oriented Facilitated Approach to Spasticity Treatment (GO-FAST) Tool
Notice bibliographique
Résumé
The objective of this article is to introduce the GO-FAST Tool (developed by the Toxnet group) to clinicians working in the field of neurological rehabilitation, specifically post-stroke spasticity management. The concepts utilized in the Tool and described in this article can be broadly grouped into five topics: the principles of patient-centred goal-setting; an algorithm for setting SMART (specific, measurable, attainable, realistic, and timed) treatment goals; goal-related target muscles and botulinum toxin type A dose determinants; goal attainment follow-up, scoring, and interpretation; and the multimodal approach to spasticity management. The Tool can enhance clinical practice by providing guided assistance with goal-setting and target muscle selection for botulinum toxin type A treatment. It also provides support with the follow-up evaluation of goal attainment and calculation of treatment success. The Tool is designed to be used by clinicians with varying levels of expertise in the field of neurological rehabilitation and post-stroke spasticity management, from those who are new to the field to those with many years of experience. A case study is presented in the Results Section of the article to illustrate the utility of the Tool in setting SMART treatment goals in the management of patients with post-stroke spasticity.
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 | 0,001 |
| 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 ».