Evidence-based early rehabilitation for children with cerebral palsy: co-development of a multifaceted knowledge translation strategy for rehabilitation professionals
Notice bibliographique
Résumé
Background: Cerebral palsy (CP) is the most common childhood physical disability. Early and evidence-based rehabilitation is essential for improving functional outcomes in children with CP. However, rehabilitation professionals face barriers to adopting evidence-based practices (EBP)s. The objective of this project is to develop a knowledge translation (KT) strategy to support CP-EBP among pediatric rehabilitation professionals. Methods: We follow an integrated KT approach by collaborating with clinician- and patient-partners. Partners engaged in co-design through team meetings and content review via email. The KT strategy comprises two components: (1) An electronic (e)-KT toolkit was created from summarized evidence extracted from randomized clinical trials on early rehabilitation for children with CP, and (2) a multifaceted online KT training program developed with guidance from a scoping review exploring effective KT strategies. Results: The e-KT toolkit summarizes twenty-two early interventions for children with or at risk for CP aged 0-5 years. Each module features an introduction, resources, parent/family section, and clinician information, including outcomes, intervention effectiveness, and evidence level. The KT training program includes three 10-15 min video-based training modules, text summaries, quizzes, and case studies. Site champions, identified as qualified rehabilitation professionals, were onboarded to support the site implementation of the training program. A champion-training booklet and 1-hour session were designed to equip them with the necessary knowledge/resources. Conclusion: The tailored, multifaceted, and co-designed KT strategy aims to be implemented in pediatric rehabilitation sites to support professional's uptake of CP-EBPs. Lessons learned from its development, including the co-development process and multifaceted nature, hold potential for broader applications in rehabilitation.
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 | 0,151 | 0,175 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,004 | 0,023 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».