Supporting rehabilitation stakeholders in making service delivery decisions: a rapid review of multi-criteria decision analysis methods
Notice bibliographique
Résumé
This review aimed to synthesize knowledge about multi-criteria decision analysis methods for supporting rehabilitation service design and delivery decisions, including: (1) describing the use of these methods within rehabilitation, (2) identifying decision types that can be supported by these methods, (3) describing client and family involvement, and (4) identifying implementation considerations. We conducted a rapid review in collaboration with a knowledge partner, searching four databases for peer-reviewed articles reporting primary research. We extracted relevant data from included studies and synthesized it descriptively and with conventional content analysis. We identified 717 records, of which 54 met inclusion criteria. Multi-criteria decision analysis methods were primarily used to understand the strength of clients’ and clinicians’ preferences (n = 44), and five focused on supporting decision making. Shared decision making with stakeholders was evident in only two studies. Clients and families were mostly engaged in data collection and sometimes in selecting the relevant criteria. Good practices for supporting external validity were inconsistently reported. Implementation considerations included managing cognitive complexity and offering authentic choices. Multi-criteria decision analysis methods are promising for better understanding client and family preferences and priorities across rehabilitation professions, contexts, and caseloads. Further work is required to use these methods in shared decision making, for which increased use of qualitative methods and stakeholder engagement is recommended. IMPLICATIONS FOR REHABILITATIONMulti-criteria decision analysis methods are promising for evidence-based, shared decision making for rehabilitation.However, most studies to date have focused on estimating stakeholder preferences, not supporting shared decision making.Cognitive complexity and modelling authentic and realistic decision choices are major barriers to implementation.Stakeholder-engagement and qualitative methods are recommended to address these barriers. Multi-criteria decision analysis methods are promising for evidence-based, shared decision making for rehabilitation. However, most studies to date have focused on estimating stakeholder preferences, not supporting shared decision making. Cognitive complexity and modelling authentic and realistic decision choices are major barriers to implementation. Stakeholder-engagement and qualitative methods are recommended to address these barriers.
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 | 0,188 | 0,365 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,031 | 0,026 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».