MétaCan
Menu
Retour à la cohorte
Enregistrement W4401007332 · doi:10.2196/55322

Development of a 12-Week Unsupervised Online Tai Chi Program for People With Hip and Knee Osteoarthritis: Mixed Methods Study

2024· article· en· W4401007332 sur OpenAlexvenueno aff
Shiyi Julia Zhu, Kim L. Bennell, Rana S. Hinman, Jenny Harrison, Alexander J. Kimp, Rachel K Nelligan

Notice bibliographique

RevueJMIR Aging · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensnon disponible
Organismes subventionnairesNational Health and Medical Research CouncilMedical Research CouncilAustralian Government
Mots-clésOsteoarthritisPhysical therapyMedicinePhysical medicine and rehabilitationAlternative medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Osteoarthritis is a leading contributor to global disability. While evidence supports the effectiveness of Tai Chi in improving symptoms for people with hip/knee osteoarthritis, access to in-person Tai Chi classes may be difficult for many people. An unsupervised online Tai Chi intervention for people with osteoarthritis can help overcome accessibility barriers. The Approach to Human-Centered, Evidence-Driven Adaptive Design (AHEAD) framework provides a practical guide for co-designing such an intervention. OBJECTIVE: This study aims to develop an unsupervised online Tai Chi program for people with hip/knee osteoarthritis. METHODS: An iterative process was conducted using the AHEAD framework. Initially, a panel of Tai Chi instructors and people with osteoarthritis was assembled. A literature review was conducted to inform the content of a survey (survey 1), which was completed by the panel and additional Australian Tai Chi instructors to identify Tai Chi movements for potential inclusion. Selection of Tai Chi movements was based on 3 criteria: those that were appropriate (for people with hip/knee osteoarthritis aged 45+ years), safe (to be performed at home unsupervised), and practical (to be delivered online using prerecorded videos). Movements that met these criteria were then ranked in a second survey (survey 2; using conjoint analysis methodology). Survey findings were discussed in a focus group, and the Tai Chi movements for program use were identified. A draft of the online Tai Chi program was developed, and a final survey (survey 3) was conducted with the panel to rate the appropriateness and safety of the proposed program. The final program was developed, and usability testing (think-aloud protocol) was conducted with people with knee osteoarthritis. RESULTS: The panel consisted of 10 Tai Chi instructors and 3 people with osteoarthritis. The literature review identified Yang Style 24 as a common and effective Tai Chi style used in hip/knee osteoarthritis studies. Surveys 1 (n=35) and 2 (n=27) produced a ranked list of 24 Tai Chi movements for potential inclusion. This list was refined and informed by a focus group, with 10 Tai Chi movements being selected for inclusion (known as the Yang Style 10 form). Survey 3 (n=13) found that 92% (n=12) of the panel members believed that the proposed draft Tai Chi program was appropriate and safe, resulting in its adoption. The final program was produced and hosted on a customized website, "My Joint Tai Chi," which was further refined based on user feedback (n=5). "My Joint Tai Chi" is currently being evaluated in a randomized controlled trial. CONCLUSIONS: This study demonstrates the use of the AHEAD framework to develop an unsupervised online Tai Chi intervention ("My Joint Tai Chi") for people with hip/knee osteoarthritis. This intervention is now being tested for effectiveness and safety in a randomized controlled trial.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,915
Score d'incertitude au seuil0,551

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,419
Écart entre enseignants0,378 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR AgingMême sujetBalance, Gait, and Falls PreventionTravaux en français237 207