Use of virtual reality for the management of phantom limb pain: a systematic review
Notice bibliographique
Résumé
PURPOSE: To summarize the research on the effectiveness of virtual reality (VR) therapy for the management of phantom limb pain (PLP). METHODS: Three databases (SCOPUS, Ovid Embase, and Ovid MEDLINE) were searched for studies investigating the use of VR therapy for the treatment of PLP. Original research articles fulfilling the following criteria were included: (i) patients 18 years and older; (ii) all etiologies of amputation; (iii) any level of amputation; (iv) use of immersive VR as a treatment modality for PLP; (v) self-reported objective measures of PLP before and after at least one VR session; (vi) written in English. RESULTS: A total of 15 studies were included for analysis. Fourteen studies reported decreases in objective pain scores following a single VR session or a VR intervention consisting of multiple sessions. Moreover, combining VR with tactile stimulation had a larger beneficial effect on PLP compared with VR alone. CONCLUSIONS: Based on the current literature, VR therapy has the potential to be an effective treatment modality for the management of PLP. However, the low quality of studies, heterogeneity in subject population and intervention type, and lack of data on long-term relief make it difficult to draw definitive conclusions.IMPLICATION FOR REHABILITATIONVirtual reality (VR) therapy has emerged as a new potential treatment option for phantom limb pain (PLP) that circumvents some limitations of mirror therapy.VR therapy was shown to decrease PLP following a single VR session as well as after an intervention consisting of multiple sessions.The addition of vibrotactile stimuli to VR therapy may lead to larger decreases in PLP scores compared with VR therapy alone.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».