Meta-Analysis of Three Different Types of Fatigue Management Interventions for People with Multiple Sclerosis: Exercise, Education, and Medication
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fatigue is a common symptom of multiple sclerosis (MS) with negative impacts extending from general functioning to quality of life. Both the cause and consequences of MS fatigue are considered multidimensional and necessitate multidisciplinary treatment for successful symptom management. Clinical practice guidelines suggest medication and rehabilitation for managing fatigue. This review summarized available research literature about three types of fatigue management interventions (exercise, education, and medication) to provide comprehensive perspective on treatment options and facilitate a comparison of their effectiveness. We researched PubMed, Embase, and CINAHL (August 2013). Search terms included multiple sclerosis, fatigue, energy conservation, Amantadine, Modafinil, and randomized controlled trial. The search identified 230 citations. After the full-text review, 18 rehabilitation and 7 pharmacological trials targeting fatigue were selected. Rehabilitation interventions appeared to have stronger and more significant effects on reducing the impact or severity of patient-reported fatigue compared to medication. Pharmacological agents, including fatigue medication, are important but often do not enable people with MS to cope with their existing disabilities. MS fatigue affects various components of one's health and wellbeing. People with MS experiencing fatigue and their healthcare providers should consider a full spectrum of effective fatigue management interventions, from exercise to educational strategies in conjunction with medication.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle