A Single Session of Virtual Reality Improved Tiredness, Shortness of Breath, Anxiety, Depression and Well-Being in Hospitalized Individuals with COVID-19: A Randomized Clinical Trial
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: In 2020, the world was surprised by the spread and mass contamination of the new Coronavirus (COVID-19). COVID-19 produces symptoms ranging from a common cold to severe symptoms that can lead to death. Several strategies have been implemented to improve the well-being of patients during their hospitalization, and virtual reality (VR) has been used. However, whether patients hospitalized for COVID-19 can benefit from this intervention remains unclear. Therefore, this study aimed to investigate whether VR contributes to the control of pain symptoms, the sensation of dyspnea, perception of well-being, anxiety, and depression in patients hospitalized with COVID-19. Methods: A randomized, double-blind clinical trial was designed. Patients underwent a single session of VR and usual care. The experimental group (n = 22) received VR content to promote relaxation, distraction, and stress relief, whereas the control group (n = 22) received non-specific VR content. Results: The experimental group reported a significant decrease in tiredness, shortness of breath, anxiety, and an increase in the feeling of well-being, whereas the control group showed improvement only in the tiredness and anxiety. Conclusions: VR is a resource that may improve the symptoms of tiredness, shortness of breath, anxiety, and depression in patients hospitalized with COVID-19. Future studies should investigate the effect of multiple VR sessions on individuals with COVID-19.
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.
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 | 0,019 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle