Education for fatigue management in people with multiple sclerosis: Systematic review and meta‐analysis
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Fatigue is a common and disabling symptom in multiple sclerosis (MS). Educational interventions have shown potential to reduce fatigue. The aim was to systematically review the current best evidence on patient education programmes for MS-related fatigue. METHODS: This was a systematic review and meta-analysis following Cochrane methodology. A systematic search was conducted in eight databases (September 2023). Moreover, reference lists and trial registers were searched and experts in the field were contacted. Randomized controlled trials were included evaluating patient education programmes for people with MS with the primary aim of reducing fatigue. RESULTS: In total, 1176 studies were identified and assessed by two independent reviewers; 15 studies (1473 participants) were included. All interventions provided information and education about different aspects of MS-related fatigue with different forms of application, some with components of psychological interventions. Amongst those, the most frequently applied were cognitive behavioural therapy (n = 5) and energy-conservation-based approaches (n = 4). Studies differed considerably concerning mode of intervention delivery, number of participants and length of follow-up. Interventions reduced fatigue severity (eight studies, n = 878, standardized mean difference -0.28; 95% confidence interval -0.53 to -0.03; low certainty) and fatigue impact (nine studies, n = 824, standardized mean difference -0.21; 95% confidence interval -0.42 to 0.00; moderate certainty) directly after the intervention. Mixed results were found for long-term effects on fatigue, for secondary endpoints (depressive symptoms, quality of life, coping) and for subgroup analyses. CONCLUSION: Educational interventions for people with MS-related fatigue may be effective in reducing fatigue in the short term. More research is needed on long-term effects and the importance of specific intervention components, delivery and context.
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 | 0,013 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,030 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 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 ».