Physical activity in young people with epilepsy: development of an informational software application
Notice bibliographique
Résumé
BACKGROUND: Research suggests that physical activity (PA) has potential benefits for young people with epilepsy (YPE); however, further studies are needed to explore how healthcare providers can promote effective interventions in collaboration with YPE and their families. OBJECTIVE: This knowledge translation project aimed to understand healthcare providers' perspectives on PA discussions and design a tool to support PA engagement among YPE. METHODS: Surveys of specialists, nurses, nurse practitioners, and trainees in pediatric neurology and epilepsy programs in the USA, Canada, Israel and Turkey were conducted to assess current PA discussions in clinical care. Inductive content analysis of responses was guided by eight themes from our previous research. Findings from the surveys and prior focus groups with YPE and their parents informed the development of a web app. RESULTS: Among 73 respondents, healthcare providers emphasized the need for an accessible, easy-to-use online tool that YPE can understand and take home to review. They identified 23 activities YPE discussed during clinical visits. Content analysis of survey results yielded a Krippendorff's Alpha of 0.846 (95% CI: 0.717-0.967) and informed the app content. Many providers reported that time constraints and limited resources hinder PA discussions in clinical settings. CONCLUSION: Healthcare providers suggest that an accessible, user-friendly, cost-free tool may help address PA concerns and promote active lifestyles for YPE and their families. This project describes the early stages of using a translational research model to bridge evidence and practice, turning research findings into actionable interventions for patients and families.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».