MétaCan
Menu
Retour à la cohorte
Enregistrement W2594896469 · doi:10.1371/journal.pone.0173025

Patient education for people with multiple sclerosis-associated fatigue: A systematic review

2017· review· en· W2594896469 sur OpenAlexaff
Maria Janina Wendebourg, Christoph Heesen, Marcia Finlayson, Björn Meyer, Jana Pöttgen, Sascha Köpke

Notice bibliographique

RevuePLoS ONE · 2017
Typereview
Langueen
DomaineMedicine
ThématiqueMultiple Sclerosis Research Studies
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésPsychological interventionMedicinePhysical therapyMultiple sclerosisMeta-analysisRandomized controlled trialCognitive behavioral therapyDepression (economics)Quality of life (healthcare)MEDLINEStrictly standardized mean differenceInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Multiple Sclerosis (MS) is an inflammatory and neurodegenerative disease often causing decreased quality of life, social withdrawal and unemployment. Studies examining the effect of pharmacological interventions demonstrated only minor effects, whereas non-pharmacological interventions as e.g. patient education programs have shown promising results. OBJECTIVE: We aim to systematically review the literature to determine the effect of patient education programs on fatigue in MS. METHODS: We conducted a comprehensive search in PubMed for randomized controlled trials (RCTs) that evaluated patient education programs for MS-related fatigue. Interventions evaluating physical exercise and/or pharmacological treatments were not included. Meta-analyses were performed using the generic inverse variance method. RESULTS: The search identified 856 citations. After full-text screening we identified ten trials that met the inclusion criteria. Data of 1021 participants were analyzed. Meta-analyses showed significant positive effects on fatigue severity (weighted mean difference -0.43; 95% CI -0.74 to -0.11) and fatigue impact (-0.48; -0.82 to -0.15), but not for depression (-0.35 (95% CI -0.75 to 0.05; p = 0.08). Essentially, we categorized patient education programs into two types: firstly, interventions with a focus on cognitive-behavioral therapy (CBT) and secondly, interventions that teach patients ways of managing daily fatigue. CBT-based approaches seem to generate better results in reducing patient-reported fatigue severity. Analysing CBT studies only, the pooled weighted mean difference for fatigue severity was -0.60 (95% CI; -1.08 to -0.11) compared to non-CBT approaches (-0.20; 95% CI; -0.60 to -0.19). Furthermore, interventions employing an individual approach seem to reduce fatigue more effectively than group-based approaches (pooled weighted mean difference for fatigue severity in face-to-face studies was -0.80 (95% CI; -1.13 to -0.47) compared to group-based studies with -0,17 (95% CI; -0,39 to 0,05). Longest follow-up data were available for 12 months post-intervention. CONCLUSION: Overall, included studies demonstrated that educational programs and especially CBT-based approaches have a positive effect on reducing fatigue. Since fatigue is thought to be a multidimensional symptom, it should be treated with a multidimensional approach targeting patients' behavior as well as their emotional and mental attitude towards fatigue. However, the clinical relevance of the treatment effects i.e. the relevance for patients' daily functioning remains unclear and long-term effects, i.e. sustainability of effects beyond 6 months, warrants further work. This review has been registered in the PROSPERO international prospective register of systematic reviews data base (Registration number: CRD42014014224).

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,017
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,017
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0070,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,342
Tête enseignante GPT0,388
Écart entre enseignants0,045 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations73
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetMultiple Sclerosis Research StudiesTravaux en français237 207