The Potential of Personalized Virtual Reality in Palliative Care: A Feasibility Trial
Notice bibliographique
Résumé
BACKGROUND: Virtual Reality can help alleviate symptoms in a non-palliative care population. Personalized therapy can further alleviate these symptoms. There is little evidence in a palliative care population. AIM: To understand the feasibility of repeated personalized virtual reality sessions in a palliative care population. DESIGN: A feasibility randomized control trial. Intervention: personalized virtual reality, Control: non-personalized virtual reality. All participants completed a 4-minute virtual reality session for 4 weeks. At each point, the Edmonton Symptom Assessment System-Revised (scored 0 = none up to 100 = worst) was completed pre- and post- each session. A time-series regression analysis was completed for the overall effect. SETTING/PARTICIPANTS: The research took place in one hospice. The main inclusion criteria was: (1) under the care of the hospice (2) advanced disease (3) over 18 years (4) physically able to use virtual reality set (5) capacity (6) proficient English. RESULTS: Twenty-six participants enrolled, of which 20 (77%) completed all sessions. At baseline, the intervention group had a mean pre- score of 26.3 (SD 15.1) which reduced to 11.5 (SD 12.6) after the first session. At the same time point, the control group had a mean pre- score of 37.9 (SD 21.6) which reduced to 25.5 (SD 17.4) post-session. The mean scores dropped following each session, however this was not significant (mean difference = -1.3, 95% CI: -6.4 to 3.7, p = 0.601). CONCLUSIONS: It is feasible to complete repeated virtual reality sessions within a palliative care population. Future research should explore the structure and effectiveness of virtual reality in a fully powered trial.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».