Using wearable technology to measure adherence to intervention for upper extremity musculoskeletal conditions: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Measures of adherence usually rely on patient self-report, however, objective methods, such as the use of sensors and wearable devices are a growing area in enhancing personalized care and patient engagement in upper limb musculoskeletal intervention. PURPOSE: To identify and summarize evidence on the use of sensors and wearable devices to help us understand adherence to interventions in adults with upper extremity musculoskeletal pathology. STUDY DESIGN: Scoping review. METHODS: Database (CINAHL, Ovid MEDLINE, and Web of Science) and supplementary searches were conducted. Eighteen studies were included following title and abstract screening and full-text review. Studies were included into the final review if they (1) involved musculoskeletal conditions affecting the upper extremity; (2) incorporated the use of sensors and wearable devices; (3) included adult participants; and (4) provide insights into treatment adherence. Data from these studies were then extracted, analyzed, and synthesized as per the review aim. RESULTS: Included papers were published between the years 1985 and 2024, with 12 focusing on shoulder pathology, three on flexor tendon injuries, two on distal radius fractures and one on wrist injuries. Sensors were primarily used for monitoring device wear time and adherence to exercise interventions. CONCLUSIONS: This scoping review maps the relevant literature on how sensors and wearable devices help us understand adherence to interventions for upper extremity musculoskeletal conditions. Findings highlight the value in using standardized tools for measuring and monitoring adherence to provide more consistent data for application in both research and clinical settings.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 ».