Requirements and Value Elicitation for a High-Fidelity Pelvic Floor Simulator for Physiotherapists: Mixed Methods Study
Notice bibliographique
Résumé
Background: Physiotherapists lack training opportunities for repeated practice of pelvic examinations for the identification of pelvic floor disorders (PFDs), leading to low confidence in the clinical setting. Pelvic simulators exist and are a valuable supplement to the medical curriculum, yet none demonstrate pelvic floor muscle (PFM) function or dysfunction. To design effective simulators, an assessment of end-user requirements is essential. Objective: This study aimed to elicit physiotherapists' needs and requirements for a high-fidelity PFM simulator and the associated use cases. Methods: This study followed a mixed methods design by collecting qualitative and quantitative data from a web-based survey. Quantitative data were analyzed using descriptive statistics and differences between demographic groups were calculated using 2-sample Kolmogorov-Smirnov 2-sided tests. Qualitative data were analyzed using thematic analysis. Results: In total, 66 physiotherapists completed the survey. The most common suggested use cases of the simulator were for training and professional development (56/66, 84.9%), and patient education (48/66, 72.7%). Pelvic organ prolapse and muscle tone function and dysfunction were identified as the most useful PFDs for the simulator to demonstrate. Positional tracking and force sensing were considered important features and there was a preference for a generic over a pathology-specific or patient-specific simulator. A total of 3 themes emerged through the qualitative analysis: prioritizing patient care; representing the variability in anatomy and PFDs for simulator realism; and consideration of the implementation, cost, and accessibility of simulators. Conclusions: There is value in PFM simulators for physiotherapists for multiple use cases. Design recommendations include using realistic materials, demonstrating PFM dynamics, modularity to vary the complexity for different end-users, offering a range of feedback modalities for position and pressure sensing, and ensuring affordability and curriculum integration.
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 | 0,076 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».