Factors Influencing Physical Therapists’ Rehabilitation Prescription in the ICU: Semi-Structured Interviews with Qualitative Analysis
Notice bibliographique
Résumé
Purpose: Despite a plethora of studies on early rehabilitation, specific guidelines for rehabilitation prescription parameters are lacking. The objective of this study was to evaluate how physical therapists determine rehabilitation parameters, such as initiation, frequency, intensity, duration, and type of interventions for patients in the ICU. Method: Semi-structured interviews were conducted between April and August of 2021 using video conferencing software and following a written interview guide. Purposive sampling was used among interested physical therapists to select those who work across a variety of ICU types with a range of years of ICU experience. We used thematic analysis to identify emerging themes using an inductive approach. Results: We interviewed 30 physical therapists in the United States with 14 (47%) and 16 (53%) having ≤5 years and >5 years of ICU clinical experience, respectively. Nine factors were identified as impacting all rehabilitation prescription parameters (e.g., medical appropriateness, diagnosis/prognosis, and alertness/sedation). For decisions about each parameter there were a set of factors identified: five for initiation (e.g., indication for physical therapy; ventilator settings/oxygen), four for frequency (e.g., baseline function; prior therapy session), three for intensity (e.g., patient appearance and subjective response), nine for duration (e.g., session preparation; quality of performance), and eight for type of intervention (e.g., progressive mobility; patient goals). Conclusions: Interviews examining rehabilitation parameters, revealed that physical therapists consider each of these simultaneously when making decisions about rehabilitation prescription. Furthermore, physical therapists appear to modify to the intervention not only based on patient progress but also by other external factors related to working in an ICU environment (e.g., equipment availability, interruptions for other medical procedures).
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 | 0,030 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».