The Use of Virtual Reality in Craving Assessment and Cue-Exposure Therapy in Substance Use Disorders
Notice bibliographique
Résumé
Craving is recognized as an important diagnosis criterion for substance use disorders (SUDs) and a predictive factor of relapse. Various methods to study craving exist; however, suppressing craving to successfully promote abstinence remains an unmet clinical need in SUDs. One reason is that social and environmental contexts recalling drug and alcohol consumption in the everyday life of patients suffering from SUDs often initiate craving and provoke relapse. Current behavioral therapies for SUDs use the cue-exposure approach to suppress salience of social and environmental contexts that may induce craving. They facilitate learning and cognitive reinforcement of new behavior and entrain craving suppression in the presence of cues related to drug and alcohol consumption. Unfortunately, craving often overweighs behavioral training especially in real social and environmental contexts with peer pressure encouraging the use of substance, such as parties and bars. In this perspective, virtual reality (VR) is gaining interest in the development of cue-reactivity paradigms and practices new skills in treatment. VR enhances ecological validity of traditional craving-induction measurement. In this review, we discuss results from (1) studies using VR and alternative virtual agents in the induction of craving and (2) studies combining cue-exposure therapy with VR in the promotion of abstinence from drugs and alcohol use. They used virtual environments, displaying alcohol and drugs to SUD patients. Moreover, some environments included avatars. Hence, some studies have focused on the social interactions that are associated with drug-seeking behaviors and peer pressure. Findings indicate that VR can successfully increase craving. Studies combining cue-exposure therapy with virtual environment, however, reported mitigated success so far.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».