Explanatory sequential mixed‐methods approach to understand how registered dietitians implemented computed tomography skeletal muscle assessments in clinical practice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: There is a need to adopt valid techniques to assess skeletal muscle (SM) in clinical practice. SM can be precisely quantified from computed tomography (CT) images. This study describes how registered dietitians (RDs), trained to quantify SM from CT images, implemented this technique in clinical practice. METHODS: This was an explanatory sequential mixed-methods design with a quantitative and a qualitative phase. RDs collected data describing how they implemented CT SM assessments in clinical practice, followed by a focus group exploring barriers and enablers to using CT SM assessments. RESULTS: RDs (N = 4) completed 96 CT SM assessments, with most (94%, N = 90/96) taking <15 min to complete. RDs identified reduced muscle mass in 63% (N = 45/72) of men and 71% (N = 17/24) of women. RDs used results of CT SM assessments to increase protein composition of the diet/nutrition support, advocate for initiation or longer duration of nutrition support, coordinate nutrition care, and provide nutrition education to patients and other health service providers. The main barriers to implementing CT SM assessments in clinical practice related to cumbersome health system processes (ie, CT image acquisition) and challenges integrating CT image analysis software into the health system computing environment. CONCLUSION: Preliminary results suggest RDs found CT SM assessments positively contributed to their nutrition care practice, particularly in completing nutrition assessments and in planning, advocating for, and implementing nutrition interventions. Use of CT SM assessments in clinical practice requires innovative IT solutions and strategies to support skill development and use in clinical nutrition care.
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.
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 | 0,021 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle