Somatosensory Feedback to the Cheek During Virtual Visual Feedback Therapy Enhances Pain Alleviation for Phantom Arms
Notice bibliographique
Résumé
BACKGROUND: Patients who suffer from phantom limb pain can perceive tactile stimuli applied to the cheek on their affected side as if it were coming from their phantom limb, a phenomenon called "referred sensation." OBJECTIVES: To investigate the analgesic effect produced by tactile feedback provided to the cheek during neurorehabilitation using visual feedback. METHODS: Nine participants with phantom upper limb pain performed virtual reality neurorehabilitation exercises in which they repeatedly touched a target object with a virtual representation of their affected limb. We applied tactile feedback to their cheek when their virtual affected limb touched a virtual object (Cheek Condition). We also included 2 control conditions where tactile feedback was either applied to their intact hand (Intact Hand Condition) or not applied at all (No Stimulus Condition). We evaluated pain intensity on an 11-point rating scale and pain quality using the short-form McGill Pain Questionnaire before and after each rehabilitation condition. RESULTS: The median pain-reduction rate in the Cheek Condition (33.3 ± 24.4%) was significantly higher than in the Intact Hand Condition (16.7 ± 12.3%) and the No Stimulus Condition (12.5 ± 13.5%; P < .05). Even patients who did not feel referred sensations reported significant pain reduction after the Cheek Condition. CONCLUSIONS: The analgesic effect of neurorehabilitative visual feedback during phantom limb movement is significantly improved by applying somatosensory feedback to the cheek on the affected side. Further studies are needed to extend these findings to objective pain measures and to elucidate the neural mechanisms that underlie the analgesic effect.
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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».