Open Access A Survey of Practice Patterns for Rehabilitation Post Elbow Fracture
Notice bibliographique
Résumé
Abstract: Background and Purpose: Elbow fractures amount to 4.3 % of all the fractures. The elbow is prone to stiffness after injury and fractures can often lead to significant functional impairment. Rehabilitation is commonly used to restore range of motion (ROM) and function. Practice patterns in elbow fracture rehabilitation have not been defined. The purpose of this study was to describe current elbow fracture rehabilitation practices; and compare those to the existing evidence base. Methods: Hand therapists (n=315) from the USA (92%) and Canada (8%) completed a web-based survey on their practice patterns and beliefs related to the acute (0-6 weeks) and functional (6-12 weeks) phases of elbow fracture rehabilitation. Results: More than 99 % of respondents agreed that fracture severity, co-morbidities, time since fracture, compliance with an exercise program, psychological factors, and occupational demands are important prognostic indicators for optimal function. Strong agreement was found with the use of patient education (95%) and active ROM (86%) in the acute stage while, home exercise programs (99%), active ROM (99%), stretching (97%), strengthening (97%), functional activities (ADLs and routine tasks) (97%), passive ROM (95%), and active assisted ROM (95%) were generally used in the functional stage. The most commonly used impairment measures were goniometry (99%), Jamar dynamometry (97%), and hand held dynamometry (97%). Agreement on the use of patient-reported outcome measures was very minimal (1.3%- 35.6%).
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».