Design Strategies for Virtual Reality Interventions for Managing Pain and Anxiety in Children and Adolescents: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Virtual reality (VR) technology has been explored in the health sector as a novel tool for supporting treatment side effects, including managing pain and anxiety. VR has recently become more available with the launch of low-cost devices and apps. OBJECTIVE: This study aimed to provide an updated review of the research into VR use for pain and anxiety in pediatric patients undergoing medical procedures. Specifically, we wanted to gain an understanding of the techniques and goals used in selecting or designing VR apps in this context. METHODS: We performed a scoping review. To identify relevant studies, we searched three electronic databases. Two authors screened the titles and abstracts for relevance and eligibility criteria. RESULTS: Overall, 1386 articles published between 2013 and 2018 were identified. In total 18 articles were included in the review, with 7 reporting significant reduction in pediatric pain or anxiety, 3 testing but finding no significant impact of the VR apps employed, and the rest not conducting any test of significance. We identified 9 articles that were based on VR apps specifically designed and tailored for pediatric patients. The findings were analyzed to develop a holistic model and describe the product, experience, and intervention aspects that need to be considered in designing such medical VR apps. CONCLUSIONS: VR has been demonstrated to be a viable choice for managing pain and anxiety in a range of medical treatments. However, commercial products lack diversity and meaningful design strategies are limited beyond distraction techniques. We propose future VR interventions to explore skill-building goals in apps characterized by dynamic feedback to the patient and experiential and product qualities that enable them to be an active participant in managing their own care. To achieve this, design must be part of the development.
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 | 0,012 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,013 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».