EXPLORING THE MEASUREMENT OF FINGER RANGE OF MOTION IN HAND THERAPY AND THE CLINICAL MEASUREMENT PROPERTIES OF COMPOSITE FINGER FLEXION IN TRAUMATIC HAND INJURY
Notice bibliographique
Résumé
Introduction: Finger range of motion (ROM) measurement is a foundational skill in hand therapy practice. A variety of techniques for measuring finger motion with their clinical measurement properties have been presented in practice guidelines and research reports. However, it is unclear what methods are used by hand therapists in their daily clinical practice, and the factors that influence this choice. Additionally, the clinical measurement properties of composite finger flexion (CFF) have not yet been evaluated. Thesis purpose: To 1) explore the preferred measurement techniques used by hand therapists to measure finger range of motion in clinical practice, the influence of their clinical reasoning, contextual factors, and practice settings and 2) evaluate the clinical measurement properties (reliability, validity, responsiveness) and utility (time efficiency) of the CFF in people with traumatic hand injuries. Methods: First, we conducted an online survey distributed to members of the American and Canadian Society of Hand Therapists. Data was analyzed using descriptive statistical methods and qualitative content analysis. Second, participants were recruited from a hand therapy clinic to assess the clinical measurement properties of the CFF by administering outcome measures within a single session. Results: In the first study, goniometry for individual finger joints was most used and preferred by hand therapists, followed by active CFF. They engaged procedural and pragmatic reasoning modified by contextual factors when measuring finger ROM. The second study supported the use of CFF as a reliable, valid, and efficient tool in the clinical setting. Further study is required to verify its responsiveness. Conclusion: This thesis provides insight into the current professional practice patterns in measuring finger ROM and recommends the use of CFF to inform clinical decision-making in traumatic hand injury follow-up.
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 | 0,019 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».