Om goede en verantwoorde zorg te kunnen bieden, streeft de paramedicus naar evidence-based practice. Evidence-based practice is het zorgvuldig, expliciet en oordeelkundig gebruik van het huidige beste bewijsmateriaal en evidence om beslissingen te nemen met individuele patiënten om de zorgverlening te verbeteren. De praktijk van evidence-based practice impliceert het integreren van individuele professionele kennis van de paramedicus met de wens en voorkeur van de patiënt en het beste externe bewijsmateriaal dat vanuit systematisch onderzoek beschikbaar is. De voorkeuren, wensen en verwachtingen van de patiënt spelen bij de besluitvorming een centrale rol.
Evidence-based education (EBE) riep de afgelopen twintig jaar flinke weerstand op vanuit onderwijsonderzoekers en de praktijk. Sommigen gebruiken liever de term evidence-informed. Anderen keren zich compleet tegen de onderneming. Waarom eigenlijk? Hoe goed zijn hun redenen? Martijn Meeter en ik gingen na of de argumenten tegen EBE knock-out punches zijn. Bekijk via de link het artike
In dit artikel wordt eerst beschreven wat het verschil is tussen Evidence Based Practice (EBP) en Practice Based Evidence (PBE). Vervolgens wordt ingegaan op het toepassen van EBP en PBE in de praktijk. Dit gebeurt met behulp van de begrippen normativiteit en contextualiteit. Tot slot worden, in het licht van het voorafgaande, de rollen beschreven die de professional kan innemen ten aanzien van het verbeteren en ontwikkelen van zijn handelen. Aan bod komen de 'reflective practitioner', de 'evidence based practitioner' en de 'scientist practitioner'.
Developing a framework that integrates Advanced Language Models into the qualitative research process.Qualitative research, vital for understanding complex phenomena, is often limited by labour-intensive data collection, transcription, and analysis processes. This hinders scalability, accessibility, and efficiency in both academic and industry contexts. As a result, insights are often delayed or incomplete, impacting decision-making, policy development, and innovation. The lack of tools to enhance accuracy and reduce human error exacerbates these challenges, particularly for projects requiring large datasets or quick iterations. Addressing these inefficiencies through AI-driven solutions like AIDA can empower researchers, enhance outcomes, and make qualitative research more inclusive, impactful, and efficient.The AIDA project enhances qualitative research by integrating AI technologies to streamline transcription, coding, and analysis processes. This innovation enables researchers to analyse larger datasets with greater efficiency and accuracy, providing faster and more comprehensive insights. By reducing manual effort and human error, AIDA empowers organisations to make informed decisions and implement evidence-based policies more effectively. Its scalability supports diverse societal and industry applications, from healthcare to market research, fostering innovation and addressing complex challenges. Ultimately, AIDA contributes to improving research quality, accessibility, and societal relevance, driving advancements across multiple sectors.
Horse riding falls under the “Sport for Life” disciplines, where a long-term equestrian development can provide a clear pathway of developmental stages to help individuals, inclusive of those with a disability, to pursue their goals in sport and physical activity, providing long-term health benefits. However, the biomechanical interaction between horse and (disabled) rider is not wholly understood, leaving challenges and opportunities for the horse riding sport. Therefore, the purpose of this KIEM project is to start an interdisciplinary collaboration between parties interested in integrating existing knowledge on horse and (disabled) rider interaction with any novel insights to be gained from analysing recently collected sensor data using the EquiMoves™ system. EquiMoves is based on the state-of-the-art inertial- and orientational-sensor system ProMove-mini from Inertia Technology B.V., a partner in this proposal. On the basis of analysing previously collected data, machine learning algorithms will be selected for implementation in existing or modified EquiMoves sensor hardware and software solutions. Target applications and follow-ups include: - Improving horse and (disabled) rider interaction for riders of all skill levels; - Objective evidence-based classification system for competitive grading of disabled riders in Para Dressage events; - Identifying biomechanical irregularities for detecting and/or preventing injuries of horses. Topic-wise, the project is connected to “Smart Technologies and Materials”, “High Tech Systems & Materials” and “Digital key technologies”. The core consortium of Saxion University of Applied Sciences, Rosmark Consultancy and Inertia Technology will receive feedback to project progress and outcomes from a panel of international experts (Utrecht University, Sport Horse Health Plan, University of Central Lancashire, Swedish University of Agricultural Sciences), combining a strong mix of expertise on horse and rider biomechanics, veterinary medicine, sensor hardware, data analysis and AI/machine learning algorithm development and implementation, all together presenting a solid collaborative base for derived RAAK-mkb, -publiek and/or -PRO follow-up projects.
Project BAMBAM, BAby Motor development monitored By A Multisensor wearable, richt zich op het begin, namelijk bij de zorg voor kinderen van 0-2 jaar. In het bijzonder op het optimaliseren van de ontwikkeling van de motoriek wanneer dit niet vanzelf gaat. Kinderfysiotherapeuten begeleiden veel baby’s waarbij er zorgen zijn over de motorische ontwikkeling. Een goed ontwikkelde motoriek is de basis voor andere ontwikkelingsdomeinen,en een voorwaarde voor een fysiek actieve leefstijl op latere leeftijd. Het inzetten van technologie bij het analyseren van bewegingsproblemen bij het jonge kind kan een waardevolle aanvulling zijn voor de kinderfysiotherapeut, die nu eigen observaties gebruikt. Op dit moment is er nog geen geschikt systeem voor het observeren van de motorische ontwikkeling voor kinderfysiotherapeuten. Daarom werken we in project BAMBAM aan een meetinstrument voor het objectiveren van bewegingsgedrag van baby’s, dat verantwoord ingezet kan worden in de kinderfysiotherapeutische praktijk en interventiestudies. Uitgangspunt is een bestaande smartsuit, een ‘slimme' romper, met sensortechnologie en Artificiële Intelligentie die doorontwikkeld wordt in co creatie met kinderfysiotherapeuten, ouders en experts. Ook onderzoeken we hoe de uitkomsten van het systeem waarde toevoegen als beslissingsondersteuning voor de kinderfysiotherapeut. Hierbij richten we ons vooral op de bewegingsparameters die belangrijk zijn voor het kinderfysiotherapeutisch onderzoek en behandeling en hoe we die duidelijk kunnen weergeven. Het systeem moet valide en betrouwbare metingen verzorgen in de thuissituatie voor de kinderfysiotherapeut in praktijk en ziekenhuis. De impact van deze toepassing op ouders en kinderfysiotherapeuten is een belangrijk onderdeel bij het ontwikkelen van deze technologie, zodat het op een verantwoorde manier gebruikt kan worden. De gezondheidszorg vraagt om evidence-based diagnostiek en interventies. Met de schaarste van zorg, wordt het zorgvuldig signaleren van de baby’s die de zorg echt nodig hebben steeds belangrijker, net als de inzet van effectieve interventies. Technologie kan bijdragen aan toegankelijkheid en duurzame borging hiervan.
