Virtual Reality Videos for Symptom Management in Hospice and Palliative Care
Notice bibliographique
Résumé
Objective To learn more about the effect of virtual reality videos on patients' symptoms near the end of life, including which are most effective, how long the effect lasts, and which patients benefit the most. Patients and Methods We conducted a prospective study of 30 patients in a regional hospice and palliative care program from March 11, 2022, through July 14, 2023. Using a head-mounted display virtual reality, all participants viewed a 15-minute video of serene nature scenes with ambient sounds. Fifteen patients also participated in a second session of viewing bucket-list video clips they selected. Symptoms were measured with the revised Edmonton Symptom Assessment Scale before, immediately after, and 2 days after each experience. Participants rated their bucket-list selections by level of previous experience, strength of connection, and overall video quality. Functional status was also recorded. Results Nature scenes significantly improved total symptom scores (30% decrease, P <.001), as well as scores for drowsiness, tiredness, depression, anxiety, well-being, and dyspnea. The improved scores were not sustained 2 days later. Overall, bucket-list videos did not significantly improve symptoms. Neither previous experience with an activity nor a strong connection correlated with significant improvement; however, when patients rated video quality as outstanding, scores improved (31% decrease, P =.03). Patients with lower functional status tended to have more symptoms beforehand and improve the most. Conclusion Serene nature head-mounted display virtual reality scenes safely reduce symptoms at the end of life. Bucket-list experiences may be effective if they are high-quality. More infirm patients may benefit the most.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».