Exploration of Implementation and Uses of Telerehabilitation in Physical Therapy in France During the COVID‐19 Pandemic
Notice bibliographique
Résumé
OBJECTIVE: To understand, through the study of telerehabilitation introduction, whether telerehabilitation in physical therapy ('masso-kinésithérapie') represents a lasting change in professional practices in France. METHODS: A triangulation of different qualitative methodologies was used, including eight semi-structured interviews, an observation of a telerehabilitation session and a participant and retrospective observation. A specific interview guide was developed for the interviews and another specific guide was developed for the telerehabilitation session observation to analyse this session. All semi-structured interviews were transcribed, and an in-depth thematic analysis based on grounded theory was performed. RESULTS: Three key themes emerged from our analysis. Firstly, physiotherapists quickly adopted telerehabilitation due to the widespread use of digital technologies and perceived clinical benefits. Secondly, they adapted their care delivery methods, transitioning from in-person to digital formats, and engaged in self-learning and peer support. These changes led to modifications in workspaces and communication practices, fostering closer relationships between physiotherapists and patients. Lastly, the implementation of telerehabilitation faces challenges, including technical difficulties, the lack of physical contact, and an unfavourable implementation context. CONCLUSION: Our results provide key elements to focus on for telerehabilitation implementation in physical therapy and professions for which professional practice is strongly associated with hands-on interventions.
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 | 0,000 |
| 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 ».