Integrating artificial intelligence in physical therapy: a quasi-experimental study comparing conventional treatment with a hybrid intervention using telerehabilitation for workers with whiplash syndrome
Notice bibliographique
Résumé
INTRODUCTION: AI-assisted telerehabilitation enables remote assessment and monitoring of patient movement, improving access to treatment while reducing costs. This study aimed to compare conventional center-based physical therapy with a hybrid intervention that combines face-to-face physiotherapy and AI-supervised telerehabilitation in workers affected by cervical whiplash syndrome. METHODS: The study population comprised workers aged 16 to 65 years requiring physical therapy for cervical whiplash syndrome (ICD-10 S13.4XXA). The primary outcome was the number of face-to-face sessions, while sickness absence duration was also analyzed. The sample included 15 patients in the telerehabilitation group and 28 in the conventional treatment group. The intervention included AI-supervised therapeutic exercises on days when patients received treatment at home, whereas on days they attended the rehabilitation center, they received the same standard treatment as the control group. RESULTS: The median number of face-to-face sessions was significantly lower in the telerehabilitation group (6 vs. 9), with differences remaining significant after adjustment. The duration of sickness absence was not longer in the telerehabilitation group (18 vs. 21 days). CONCLUSION: Reducing the number of face-to-face sessions through AI-assisted telerehabilitation optimizes physiotherapy resource utilization without prolonging sickness absence, thereby enhancing healthcare efficiency.
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 ».