Enhancing physiotherapists' knowledge and perceptions of telerehabilitation: A before‐after educational intervention study
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: In the evolving landscape of healthcare, telerehabilitation is emerging as a pivotal modality, especially in delivering services to vulnerable populations. With the increasing reliance on digital health solutions, there is a pressing need for physiotherapists to be adequately trained in telerehabilitation. This training is essential for them to adapt to new technologies and methodologies, ensuring effective and efficient patient care. The aim of this study was to evaluate the effect of a telerehabilitation educational intervention on physiotherapists' knowledge and perceptions in Bucaramanga and its metropolitan area. METHODS: A group of 27 physiotherapists underwent an educational intervention focused on telerehabilitation. Before- and after-intervention assessments were conducted to gauge their perceptions and knowledge. RESULTS: Participants generally held a positive perception of telerehabilitation both before and after the intervention [Before Median (Md) and interquartile range (IQR): Md = 2.5 (IQR = 2.1-3); after: Md = 2.7 (IQR = 2.4-3.1), p = 0.256]. A significant increase in their knowledge after-intervention was observed [Before: Md = 55.5 (IQR = 33.3-66.6)]; after: Md = 77.7 (IQR = 66.6-88.8), p = <0.001, emphasizing the potential benefits of targeted educational interventions. CONCLUSIONS: The educational intervention significantly improved physiotherapists' knowledge of telerehabilitation, underscoring the importance of professional training in this domain. While perceptions remained consistently positive, the notable increase in knowledge suggests that such educational programs are crucial for enhancing the adoption and effective use of telerehabilitation in physiotherapy practice.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».