La Teleriabilitazione durante la pandemia da COVID-19: un’indagine dell’Ontario Physiotherapy Association delinea vantaggi e criticita
Bibliographic record
Abstract
Il governo dell’Ontario considera prioritaria l’integrazione della assistenza virtuale, per consentire una maggiore accessibilità alle cure da parte di utenti, spesso penalizzati da barriere sociodemografiche. A partire dal 27 aprile 2020 per 3 settimane, è stato condotto in Ontario un sondaggio intervistando 365 soggetti durante la pandemia Covid-19, per valutare l’esperienza maturata dai fisioterapisti con la Teleriabilitazione. Sono emersi vantaggi (continuità di cure, contenimento di costi e spostamenti da parte dei pazienti e criticità (insostituibilità della modalità in presenza per valutazioni o terapie manuali, esigenza di una adeguata alfabetizzazione digitale, scarsa disponibilità di adeguamento delle polizze assicurative). In conclusione, ribadita l’insostituibilità della modalità “in presenza” soprattutto per quel che concerne alcune procedure, la Teleriabilitazione si candida come una modalità utile a ridurre il peso sulle strutture ospedaliere, garantire continuità terapeutica, per la sua capacità di enfatizzare l’apprendimento, lo spirito cooperativo e la partecipazione attiva e consapevole del paziente.
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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.001 |
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".