Case Report: Virtual reality training for phantom limb pain after amputation
Notice bibliographique
Résumé
Several reports have demonstrated the effectiveness of neurorehabilitation, such as mirror therapy or virtual reality, in treating phantom limb pain (PLP). This case study describes the effect of virtual reality training (VRT) on severe, long-term PLP and upper limb activity on the amputated side in a patient who underwent digit amputation 9 years prior. A woman in her 40 s underwent amputation of 2-5 fingers 9 years prior due to a workplace accident. She experienced persistent pain in the palms of her hand near the amputation sites. A single case design (ABA'B') was applied. Periods A and A' were set as periods without VRT intervention, and Periods B and B' were set as periods with VRT intervention. Periods A, B, A', and B' lasted 4, 10, 8, and 10 weeks, respectively. VRT was a task during which visual stimulation and upper limb movements were linked. The task consisted of catching a rolling ball in the display with a virtual hand, operated with both hands using a controller. VRT was performed once every 2-4 weeks for 30 min. Pain intensity was assessed using the short-form McGill Pain Questionnaire-2. Bilateral upper limb activity was measured continuously for 24 h using a triaxial accelerometer attached to the right and left wrist joints. The pain intensity was 147/220 points during Period A, 128 points during Period B, 93 points during Period A', and 100 points during Period B', showing a gradual decrease. Upper limb activity occurred mainly on the intact side during Periods A and B, whereas the activity on the amputated side increased 2-fold after Period A', and both upper extremities were used equally. Virtual reality training resulted in reduced pain intensity and increased activity in the upper limb. VRT may have induced reintegration of the sensory-motor loop, leading to a decrease in the PLP intensity. The upper limb activity on the amputated side may have also increased with the pain reduction. These results suggest that VRT may be valuable in reducing severe, long-term PLP.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,005 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».