Professionals’ Perspectives of Smart Stationary Bikes in Rehabilitation: Qualitative Study
Notice bibliographique
Résumé
Background: Stationary bikes are used in numerous rehabilitation settings, with most offering limited functionalities and types of training. Smart technologies, such as artificial intelligence and robotics, bring new possibilities to achieve rehabilitation goals. However, it is important that these technologies meet the needs of users in order to improve their adoption in current practice. Objective: This study aimed to collect professionals' perspectives on the use of smart stationary bikes in rehabilitation. Methods: Twelve health professionals (age: mean 43.4, SD 10.1 years) completed an online questionnaire and participated in a semistructured interview regarding their needs and expectations before and after a 30-minute session with a smart bike prototype. Results: A content analysis was performed with inductive coding. Seven main themes emerged: (1) bike functionalities (cycling assistance, asymmetric resistance, and forward and backward cycling), (2) interface between bike and users (simple, user-friendly, personalized, with written reminders during training), (3) feedback to users (user and performance data), (4) training programs (preprogrammed and personalized, and algorithmic programs), (5) user engagement (telerehabilitation, group sessions, music, and automatic suggestion of training), (6) the bike as a physical device (dimensions, comfort, setup, screen, etc), and (7) business model (various pricing strategies, training for professionals, and after-sales service). Conclusions: This study provides an interpretive understanding of professionals' perspectives regarding smart stationary bikes and is the first to identify the expectations of health professionals regarding the development of future bikes 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».