Digital Technology Distraction for Acute Pain in Children: A Meta-analysis
Notice bibliographique
Résumé
CONTEXT: Digital distraction is being integrated into pediatric pain care, but its efficacy is currently unknown. OBJECTIVE: To determine the effect of digital technology distraction on pain and distress in children experiencing acutely painful conditions or procedures. DATA SOURCES: Medline, Embase, Cochrane Library, Cumulative Index to Nursing and Allied Health Literature, PsycINFO, Institute of Electrical and Electronics Engineers Xplore, Ei Compendex, Web of Science, and gray literature sources. STUDY SELECTION: Quantitative studies of digital technology distraction for acutely painful conditions or procedures in children. DATA EXTRACTION: Performed by 1 reviewer with verification. Outcomes were child pain and distress. RESULTS: There were 106 studies (n = 7820) that reported on digital technology distractors (eg, virtual reality and video games) used during common procedures (eg, venipuncture, dental, and burn treatments). No studies reported on painful conditions. For painful procedures, digital distraction resulted in a modest but clinically important reduction in self-reported pain (standardized mean difference [SMD] −0.48; 95% confidence interval [CI] −0.66 to −0.29; 46 randomized controlled trials [RCTs]; n = 3200), observer-reported pain (SMD −0.68; 95% CI −0.91 to −0.45; 17 RCTs; n = 1199), behavioral pain (SMD −0.57; 95% CI −0.94 to −0.19; 19 RCTs; n = 1173), self-reported distress (SMD −0.49; 95% CI −0.70 to −0.27; 19 RCTs; n = 1818), observer-reported distress (SMD −0.47; 95% CI −0.77 to −0.17; 10 RCTs; n = 826), and behavioral distress (SMD −0.35; 95% CI −0.59 to −0.12; 17 RCTs; n = 1264) compared with usual care. LIMITATIONS: Few studies directly compared different distractors or provided subgroup data to inform applicability. CONCLUSIONS: Digital distraction provides modest pain and distress reduction for children undergoing painful procedures; its superiority over nondigital distractors is not established. Context, preferences, and availability should inform the choice of distractor.
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 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,040 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».