Koira-avusteinen fysioterapia kroonisen kivun hoidossa
Bibliographic record
Abstract
Suomalaisista aikuisista 35 % on kokenut yli 3 kuukautta kestänyttä kipua ja 14 % päivittäistä kipua väestötutkimuksen mukaan. Tutkimuksen mukaan suurin osa kroonisista kivuista on tuki- ja liikuntaelinsairauksista johtuvaa. Suomessa yli 30-vuotiaista aikuisista kolmella neljästä on ollut vähintään yksi selkäkipujakso ja 50 % aikuisista on ollut enemmän kuin 5 selkäkipujaksoa. \nKoiran läsnäololla on havaittu olevan vaikutuksia asiakkaan kivun tuntemukseen ja helpottavan vuorovaikutustilannetta, sekä lisäävän oksitosiini hormonin tuotantoa. Koiran läsnäolon vaikutukset terapiatilanteessa näkyvät asiakkaan motivoitumisena ja sitoutumisen harjoitteluun. Koira-avusteisessa fysioterapiassa toiminnallinen harjoittelu tapahtuu huomaamatta, kun asiakkaan mielenkiinto ohjautuu koiran kanssa yhdessä tekemiseen ja vuorovaikutukseen. \nOpinnäytetyön tavoitteena oli koostaa toimeksiantajalle tietoa systemaattisen kirjallisuuskatsauksen keinoin koira-avusteisen fysioterapian hyödyistä kroonisen kivun hoidossa. Opinnäytetyön tutkimuskysymys oli “Onko koira-avusteisesta fysioterapiasta hyötyä kroonisen kivun hoidossa?”. Tarkoituksena oli tuoda tietoa julki koira-avusteisesta fysioterapiasta kroonisen kivun hoidossa niin terveydenalan ammattilaisille kuin muille aiheesta kiinnostuneille. Kirjallisuuskatsaukseen valikoitui tarkkojen sisäänotto- sekä poissulkukriteerien jälkeen kaksi tutkimusta, joista oli aiheen kannalta parhaiten näyttöä. Katsauksessa ilmeni, ettei aihetta ole vielä paljoa tutkittu, mutta tutkimukset, joita työssä käytettiin, puhuivat koira-avusteisen fysioterapian puolesta kivunhoitomenetelmänä.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.035 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".