Active Video Games as a Training Tool for Individuals With Chronic Respiratory Diseases
Notice bibliographique
Résumé
PURPOSE: Exercise is an effective treatment for reducing symptom severity and improving quality of life for patients with chronic respiratory diseases. Active video games offer a new and enjoyable way to exercise and have gained popularity in a rehabilitation setting. However, it is unclear whether they achieve comparable physiological and clinical effects as traditional exercise training. METHODS: A systematic literature search was performed to identify studies that included an active video game component as a form of exercise training and a comparator group in chronic respiratory disease. Two assessors independently reviewed study quality using the Cochrane risk of bias tool and extracted data for exercise capacity, quality of life, and preference of exercise model. RESULTS: Six studies were included in this review. Because of the heterogeneity of the populations, study designs, length of intervention, and outcome measures, meta-analysis could not be performed. Active video game training resulted in comparable training maximal heart rate and dyspnea levels to those achieved when exercising using a treadmill or cycle (n = 5). There was insufficient evidence (n = 3) to determine whether active video game training improved exercise capacity as measured by 6-min walk test or treadmill endurance walking. CONCLUSIONS: Although the quality of evidence was low, in a small number of studies active video games induced peak heart rates and dyspnea levels comparable with traditional exercise training. Larger and longer-term randomized controlled trials are needed to establish the impact of video game training for individuals with chronic respiratory diseases.
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) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».