Technological interventions in functional capacity evaluations: An insight into current applications
Notice bibliographique
Résumé
BACKGROUND: Functional Capacity Evaluation (FCE) is a crucial component within return-to-work decision making. However, clinician-based physical FCE interpretation may introduce variability and biases. The rise of technological applications such as machine learning and artificial intelligence, could ensure consistent and precise results. OBJECTIVE: This review investigates the application of information and communication technologies (ICT) in physical FCEs specific for return-to-work assessments. METHODS: Adhering to the PRISMA guidelines, a search was conducted across five databases, extracting study specifics, populations, and technological tools employed, through dual independent reviews. RESULTS: Nine studies were identified that used ICT in FCEs. These technologies included electromyography, heart rate monitors, cameras, motion detectors, and specific software. Notably, although some devices are commercially available, these technologies were at a technology readiness level of 5-6 within the field of FCE. A prevailing trend was the combined use of diverse technologies rather than a single, unified solution. Moreover, the primary emphasis was on the application of technology within study protocols, rather than a direct evaluation of the technology usability and feasibility. CONCLUSION: The literature underscores limited ICT integration in FCEs. The current landscape of FCEs, marked by a high dependence on clinician observations, presents challenges regarding consistency and cost-effectiveness. There is an evident need for a standardized technological approach that introduces objective metrics to streamline the FCE process and potentially enhance its outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».