Virtual Reality Meditation for Fatigue in Persons With Rheumatoid Arthritis: Mixed Methods Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Effective symptom management is crucial to enhancing the quality of life for individuals with chronic diseases. Health care has changed markedly over the past decade as immersive, stand-alone, and wearable technologies including virtual reality have become available. One chronic pain population that could benefit from such an intervention is individuals with rheumatoid arthritis (RA). Recent pharmacologic advances in the management of RA have led to a decrease in inflammatory symptoms (eg, chronic pain) or even disease remission, yet up to 70% of patients with RA still suffer from fatigue. While VR-delivered behavior, meditation, and biofeedback programs show promise for pain and anxiety management, there is little information on the use of virtual reality meditation (VRM) for fatigue management among individuals with RA. OBJECTIVE: This study aims to (1) examine the feasibility of implementing a study protocol that uses VRM, (2) determine the acceptability of using VRM for fatigue management in an outpatient population, and (3) identify barriers and contextual factors that might impact VRM use for fatigue management in outpatients with RA. METHODS: We used a convergent, mixed methods design and enrolled adults aged 18 years or older with a clinical diagnosis of RA. Patient-Reported Outcome Measure Information System (PROMIS) measures of fatigue, depression, anxiety, pain behavior, and physical function were assessed alongside the brief mood introspection scale at baseline and weekly for 4 weeks. VRM use across the 4-week study period was automatically stored on headsets and later extracted for analysis. Semistructured interview questions focused on feedback regarding the participant's experience with RA, previous experience of fatigue, strategies participants use for fatigue management, and the participant's experience using VRM and recommendations for future use. RESULTS: A total of 13 participants completed this study. Most participants completed all study surveys and measures (11/13, 84% and 13/13, 100%, respectively) and were active participants in interviews at the beginning and end of the program. Participants used VRM an average of 8.9 (SD 8.5) times over the course of the 4-week program. Most participants enjoyed VRM, found it relaxing, or recommended its use (12/13, 92%), but 8 (62%) noted barriers and conceptual factors that impacted VRM use. On average, participants saw decreases in PROMIS fatigue (-6.4, SD 5.1), depression (-5.6, SD 5.7), anxiety (-4.5, SD 6), and pain behavior (-3.9, SD 5.3), and improvements in PROMIS physical function (1.5, SD 2.7) and Brief Mood Introspection Scale mood (5.3, SD 6.7) over the course of this 4-week study. CONCLUSIONS: While this study's implementation was feasible, VRM's acceptability as an adjunctive modality for symptom management in RA is contingent on effectively overcoming barriers to use and thoughtfully addressing the contextual factors of those with RA to ensure successful intervention deployment. TRIAL REGISTRATION: ClinicalTrials.gov NCT04804462; https://classic.clinicaltrials.gov/ct2/show/NCT04804462.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».