Enrollment, adherence and retention rates among musculoskeletal disorders rehabilitation practitioners in knowledge translation studies: a systematic review and meta-regression
Notice bibliographique
Résumé
BACKGROUND: Practitioners' enrollment, adherence, and retention rates influence estimates of effectiveness in knowledge translation (KT) studies and remain important concerns for implementation researchers. This review aimed to systematically summarize the current evidence on feasibility measures as gauged by enrollment, adherence, and retention rates in KT evaluation studies targeting rehabilitation practitioners treating musculoskeletal disorders (MSDs). METHODS: We searched five electronic databases from the inception to October 2022. We included KT studies that 1) had designs recommended by the Effective Practice and Organisation of Care, 2) targeted rehabilitation practitioners managing patients with MSDs, 3) delivered KT interventions according to the Expert Recommendations for Implementing Change classification, and 4) reported on the feasibility measures (e.g., enrollment, adherence, and retention). Descriptive statistics were conducted to report on study-, practitioners- and intervention-related factors influencing enrollment, adherence, and retention rates. Meta-regression weighted by the sample size of included studies was used to estimate the effect of factors on overall enrollment, adherence, and retention rates. RESULTS: Findings from 33 KT studies reported weighted enrolment, adherence, and retention rate of 82% (range: 32%-100%), 74% (range: 44%-100%), and 65% (range: 36%-100%) respectively for both intervention and control groups. Factors positively influencing enrollment, adherence, and retention rates included designing short study period with short duration intervention. CONCLUSIONS: Intense (e.g., high frequency, short duration) single KT intervention was more appealing for practitioners. Future evaluation studies should clearly report follow-up data, and practitioners' prior training, Results may not apply to non-MSD healthcare providers.
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 | 0,084 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,048 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».