Physical and occupational therapy service delivery models for populations identified as hard-to-reach: A scoping review
Notice bibliographique
Résumé
BACKGROUND: The delivery of rehabilitation services for hard-to-reach populations (e.g., refugees) is highly complex. There is a need for evidence-based approaches to deliver physiotherapy (PT) or occupational therapy (OT) services to this underserved group. OBJECTIVES: The purpose of this scoping review was to identify PT and OT service delivery models that have been implemented, for populations typically identified as hard-to-reach and their associated health outcomes. ELIGIBILITY CRITERIA: Articles were eligible if they described PT and/or OT services for hard-to-reach populations. There were no restrictions on study design. STUDY SELECTION: Six electronic databases (AMED, CINAHL, MEDLINE, EMBASE, Healthstar, and PsycINFO) were searched from January 2000 to June 2023. Articles were screened in duplicate by two independent reviewers, and conflicts were resolved by consensus. RESULTS: Twenty-one articles with variable sample sizes (min, max n = 3 to 237) were included and detailed PT and/or OT services for immigrants/migrants, refugees, hard-to-reach veterans, people experiencing homelessness, lower incomes, trauma/torture, and those living in rehabilitation-deficient areas. Common rehabilitation needs (e.g., clinician to client connectivity), barriers (e.g., high transportation costs) and facilitators (e.g., encouragement) were identified among the various populations, mainly due to intersecting identities such as those who are both traumatized and refugees. Unique factors pertaining to the PT and OT services were also identified in some groups, including access to child and family services for people experiencing homelessness. CONCLUSIONS: Despite common and individual needs, barriers, and facilitators in hard-to-reach groups in the literature, there is a need for studies with larger sample sizes, rigorous methodology and a conscious effort to publish the results of interventions to generate stronger recommendations for 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 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 | 0,021 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,024 | 0,027 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».