Leveraging Virtual Reality and Augmented Reality to Combat Chronic Pain in Youth: Position Paper From the Interdisciplinary Network on Virtual and Augmented Technologies for Pain Management (Preprint)
Notice bibliographique
Résumé
BACKGROUND Virtual reality (VR) and augmented reality (AR) interventions are emerging as promising tools in the treatment of pediatric chronic pain conditions. However, in this young field, there is little consensus to guide the process of engaging in the development and evaluation of targeted VR-based interventions. OBJECTIVE The INOVATE-Pain (Interdisciplinary Network on Virtual and Augmented Technologies for Pain management) consortium aims to advance the field of VR for pediatric chronic pain rehabilitation by providing guidance for best practices in the design, evaluation, and dissemination of VR-based interventions targeting this population. METHODS An interdisciplinary meeting of 16 academics, clinicians, industry partners, and philanthropy partners was held in January 2020. RESULTS Reviewing the state of the field, the consortium identified important directions for research-driven innovation in VR and AR clinical care, highlighted key opportunities and challenges facing the field, and established a consensus on best methodological practices to adopt in future efforts to advance the research and practice of VR and AR in pediatric pain. The consortium also identified important next steps to undertake to continue to advance the work in this promising new area of digital health pain interventions. CONCLUSIONS To realize the promise of this realm of innovation, key ingredients for success include productive partnerships among industry, academic, and clinical stakeholders; a uniform set of outcome domains and measures for standardized evaluation; and widespread access to the latest opportunities, tools, and resources. The INOVATE-Pain collaborative hopes to promote the creation, rigorous yet efficient evaluation, and dissemination of innovative VR-based interventions to reduce pain and improve quality of life for children.
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 | 0,014 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».