Rehabilitation providers’ experiences with long COVID care in Canada: a qualitative study
Notice bibliographique
Résumé
To examine the experiences, challenges, and recommendations of Canadian Rehabilitation Providers delivering care to people with Long COVID (PWLC), with the goal of informing best practices and guiding service and policy improvements. A qualitative descriptive study was conducted using semi-structured interviews with 32 Rehabilitation Providers from multiple disciplines and provinces across Canada. Participants were purposively sampled and interviewed between April 2022 and January 2023. Data were analyzed using codebook thematic analysis, incorporating inter-coder and inter-rater agreement and reflexivity practices. Three central themes emerged: (1) Providers faced substantial barriers, including limited infrastructure, resource constraints, and misinformation about Long COVID; (2) In the absence of formal guidelines, providers adapted their practices through individualized care planning, trial-and-error, and peer learning; and (3) Participants emphasized key components of effective rehabilitation, such as validating patient experiences, promoting self-management and pacing, integrating caregiver support, facilitating peer connections, and fostering inter-professional collaboration. Rehabilitation Providers have been critical in addressing the evolving needs of PWLC despite inadequate systemic support. Their insights point to the need for coordinated, interdisciplinary, and patient-centered care models, alongside investment in professional training, system infrastructure, and integrated policy responses for current and future post-viral conditions. Rehabilitation professionals are recommending individualized and flexible care approaches focused on symptom validation and energy conservation, due to the diverse and unpredictable nature of Long COVID.In the absence of formal guidelines, rehabilitation professionals have adapted practices in real time, emphasizing the urgent need for standardized, evidence-informed Long COVID rehabilitation frameworksEffective Long COVID rehabilitation includes patient and caregiver education, integration of peer support, and the promotion of self-management strategies to enhance recovery and reduce isolation.Interdisciplinary collaboration and system-level integration are critical to ensure continuity of care and to build sustainable rehabilitation pathways for emerging chronic conditions like Long COVID. Rehabilitation professionals are recommending individualized and flexible care approaches focused on symptom validation and energy conservation, due to the diverse and unpredictable nature of Long COVID. In the absence of formal guidelines, rehabilitation professionals have adapted practices in real time, emphasizing the urgent need for standardized, evidence-informed Long COVID rehabilitation frameworks Effective Long COVID rehabilitation includes patient and caregiver education, integration of peer support, and the promotion of self-management strategies to enhance recovery and reduce isolation. Interdisciplinary collaboration and system-level integration are critical to ensure continuity of care and to build sustainable rehabilitation pathways for emerging chronic conditions like Long COVID.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,026 | 0,010 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».