MétaCan
Menu
Retour à la cohorte
Enregistrement W4413971852 · doi:10.1177/10538135251365102

Building Bridges: Establishing a Multiple Sclerosis Rehabilitation Research and Clinical Knowledge Mobilization Strategy

2025· article· en· W4413971852 sur OpenAlexafffundabout
Sarah J. Donkers, Mark Bayley, Tania Bruno, Ruth Ann Marrie, Robert Simpson, Penelope Smyth, Katherine Knox

Notice bibliographique

RevueNeurorehabilitation · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBiomedical Text Mining and Ontologies
Établissements canadiensUniversity of ManitobaUniversity Health NetworkUniversity of TorontoDalhousie UniversityToronto Rehabilitation InstituteUniversity of AlbertaUniversity of Saskatchewan
Organismes subventionnairesSaskatchewan Health Research Foundation
Mots-clésMultiple sclerosisMobilizationRehabilitationPhysical medicine and rehabilitationMedicineBusinessPhysical therapyPolitical sciencePsychiatry

Résumé

récupéré en direct d'OpenAlex

BackgroundEvidence to guide multiple sclerosis (MS) rehabilitation and symptomatic care has grown, yet suboptimal access to care persists and uptake of evidence-based information is limited in practice. The movement of evidence into routine clinical care is not a spontaneous or linear process. Effective knowledge mobilization strategies may enhance equitable access to evidenced-based comprehensive MS care.MethodsTo guide the development of a MS rehabilitation knowledge mobilization strategy with priorities and action items a Canadian summit was hosted to engage key stakeholders in identifying and discussing current MS rehabilitation and symptomatic care evidence and needs. This multifaceted summit included workshops, breakout groups, presentations, brainstorming, and consensus-building.ResultsForty-three key stakeholders participated. Varied disciplines, Canadian geographical regions, and content expertise were represented. This included early/mid/late-career researchers, healthcare providers, and people with MS. The summit process identified 18 key need statements. Participants individually rated the identified need statements on feasibility and importance, and the relationships in terms of timeliness and impact were discussed. The three top priorities were identified and focused on for action planning. Developing a best-practice guideline for MS rehabilitation was unanimously identified as the critical first step to improve access to care. Support for healthcare providers and establishing a network to support this knowledge mobilization work were the next two priorities. Priority topic areas for knowledge mobilization were fatigue, mobility, cognition, mood and emotion, and rehabilitation across the MS disease course.ConclusionKnowledge mobilization priorities and key topic areas for MS rehabilitation have been identified using a collaborative process. The lessons learned from this summit will inform advocacy efforts for improved access to evidence-based comprehensive care and opportunities to support moving a sustainable MS rehabilitation knowledge mobilization agenda forward. Creating a formalized Canadian MS Rehab Knowledge Mobilization Network was an outcome of the summit, and our network will collaboratively support advancing and re-evaluating this agenda.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,019
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,590
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,019
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,109
Tête enseignante GPT0,422
Écart entre enseignants0,314 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNeurorehabilitationMême sujetBiomedical Text Mining and OntologiesTravaux en français237 207