A web app-based music intervention reduces experimental thermal pain: A randomized trial on preferred versus least-liked music style
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
Digital technologies are increasingly being used to strengthen national health systems. Music is used as a management technique for pain. The objective of this study is to demonstrate the effects of a web app-based music intervention on pain. The participants were healthy adults and underwent three conditions: Conditioned Pain Modulation (CPM), Most-Liked Music (MLM) and Least-Liked Music (LLM). The music used is MUSIC CARE©, a web app-based personalized musical intervention (“U” Sequence based on a musical composition algorithm). Thermal pain was measured before starting the 20-min music intervention and after three time points for each music condition: 2.20, 11.30, and 20 min. Mean pain perceptions were significantly reduced under both LLM and MLM conditions. Pain decrease was more important under MLM condition than LLM condition at 2.20 min with a mean difference between both conditions of 9.7 (±3.9) ( p = 0.0195) and at 11.30 min [9.2 (±3.3), p = 0.0099]. LLM is correlated with CPM but not MLM, suggesting different mechanisms between LLM and MLM. Musical intervention, a simple method of application, fits perfectly into a multidisciplinary global approach and helps to treat the pain and anxiety disorders of participants. Clinical trial registration: [ https://clinicaltrials.gov/ct2/show/NCT04862832 ], ClinicalTrials.gov [NCT04862832].
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 | 0,046 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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