Wheelchair service provision training during armed conflict: preliminary results from a pre-post study in Ukraine
Notice bibliographique
Résumé
Background: Universal Health Coverage (UHC) cannot be achieved without equitable access to assistive technology (AT). Wheelchairs are among the most needed AT products worldwide, yet service provision is hindered by limited workforce capacity, inadequate training, and fragile supply systems, challenges that become critical in conflict and emergency settings. Objective: This study aimed to evaluate the effectiveness of a World Health Organization (WHO)- supported wheelchair service training program in Ukraine, developed in partnership with the International Society of Wheelchair Professionals (ISWP), in improving theoretical knowledge, wheelchair skills performance and confidence, among rehabilitation professionals. Methods: A five-day, 40 h training program based on the WHO Wheelchair Service Training Package-Basic Level (WSTPb) was delivered to 39 rehabilitation professionals in Ukraine. Training combined theoretical instruction, hands-on skill practice, and adapted educational strategies, including group-based ISWP testing, to overcome infrastructure constraints. Pre- and post-training assessments were conducted using the Wheelchair Skills Test-Questionnaire (WST-Q). Results: < 0.01). Importantly, rehabilitation assistants demonstrated the largest relative improvement, reducing pre-training disparities with occupational and physical therapists. Conclusion: The findings highlight how targeted educational interventions can expand the AT workforce, promote equitable skill acquisition across professional cadres, and strengthen AT integration into UHC, even in the context of armed conflict. The Ukrainian experience illustrates both the clinical challenges, such as mastering advanced wheelchair skills, and the educational challenges including addressing diverse professional backgrounds and limited infrastructure, that are inherent in AT service provision. This model can inform future workforce capacity-building strategies for AT in both emergencies and routine health system strengthening efforts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».