Implementation considerations for a telerehabilitation system to improve patients’ adherence to home-based physical exercises: a qualitative study
Notice bibliographique
Résumé
Physiotherapists often prescribe home exercise programmes (HEP) to aid in the recovery of their clients with disabilities, which are often poorly adhered to by clients, and can lead to poor clinical outcomes. To improve HEP adherence, our team has proposed a gamification-based telerehabilitation system, which integrates gaming elements (e.g., challenges, rewards, and interactive features) with remote monitoring and guidance from physiotherapists. The purpose of this study was to explore the attitudes, preferences, and experiences of both clients and physiotherapists with gamification-based telerehabilitation solutions as a means to improve clients’ adherence to HEP. A qualitative study using semi-structured interviews was conducted with clients who underwent physical therapy within the past 2 years (n = 8), and physiotherapists (n = 8). The interviews explored attitudes, preferences, and/or experiences related to using technology to support clients’ and physical therapists’ needs. An inductive thematic analysis was used to analyse the data. Four main themes were identified: (1) Virtual and in-person rehabilitation programmes, (2) Adherence to HEP, (3) Users’ preferences towards the technology, and (4) Technology consideration for HEP application. The findings from clients and physiotherapists highlight important design and implementation considerations for a remote gamification system aiming to improve adherence to HEP.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».