Advancing stroke rehabilitation: the role of wearable technology according to research experts
Notice bibliographique
Résumé
BACKGROUND: Advancements in wearable technology have created new opportunities to monitor stroke survivors' behaviors in daily activities. Research insights are needed to guide its adoption in clinical practice, address current gaps, and shape the future of stroke rehabilitation. This project aims to: (1) Understand stroke rehabilitation researchers' perspectives on the opportunities, challenges, and clinical relevance of wearable technology for stroke rehabilitation, and (2) Identify necessary next steps to integrate wearable technology in research and clinical practice. METHODS: Using a phenomenological qualitative design, two 90-minute focus groups were conducted with 12 rehabilitation researchers. The focus groups consisted of semi-structured, open-ended questions on functional movement behavior, motor performance and benefits and pitfalls of wearable technology. The transcribed focus groups were analyzed using inductive thematic analysis. RESULTS: Three main themes were derived from the analysis: (1) Assessing activity performance is critical to inform interventions, (2) The demonstrated benefit is not commensurate with the added hassle, (3) Collaboration is needed between the industry, academia and end-users. Necessary future steps were recognized including the identification of intuitive and actionable metrics, and the integration of sensor-derived data with electronic health records and into clinical workflow to support self-management strategies. CONCLUSION: Wearable technology shows great potential to complement and support stroke rehabilitation. Many key barriers to clinical adoption remain which underscore the necessity to foster collaborations between industry, academia, and the participants we serve.
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 | 0,002 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».