Game-Based eHealth Interventions for the Reduction of Fatigue in People With Chronic Diseases: Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Fatigue is a common and debilitating side effect of chronic diseases, significantly impacting patients' quality of life. While physical exercise and psychological treatments have been shown to reduce fatigue, patients often struggle with adherence to these interventions in clinical practice. Game-based eHealth interventions are believed to address adherence issues by making the intervention more accessible and engaging. OBJECTIVE: This study aims to compile empirical evidence on game-based eHealth interventions for fatigue in individuals with chronic diseases and to evaluate their effectiveness in alleviating fatigue. METHODS: A comprehensive literature search was performed across Embase, MEDLINE ALL, PsycINFO, Web of Science Core Collection, Cochrane Central Register of Controlled Trials, and Google Scholar in August 2021. Study characteristics and outcomes from the included studies were extracted, and a random-effects meta-analysis was conducted. Sensitivity and subgroup analyses were performed to identify sources of heterogeneity. RESULTS: Of 1742 studies identified, 17 were included in the meta-analysis. These studies covered 5 different chronic diseases: multiple sclerosis (n=10), cancer (n=3), renal disease (n=2), stroke (n=1), and Parkinson disease (n=1). All but 1 study used exergaming interventions. The meta-analysis revealed a significant moderate effect size in reducing fatigue favoring the experimental interventions (standardized mean difference [SMD] -0.65, 95% CI -1.09 to -0.21, P=.003) compared with control conditions consisting of conventional care and no care. However, heterogeneity was high (I2=85.87%). Subgroup analyses were conducted for the 2 most prevalent diseases. The effect size for the multiple sclerosis subgroup showed a trend in favor of eHealth interventions (SMD -0.47, 95% CI -0.95 to 0.01, P=.05, I2=63.10%), but was not significant for the cancer group (SMD 0.61, 95% CI -0.36 to 1.58, P=.22). Balance exercises appeared particularly effective in reducing fatigue (SMD -1.19, 95% CI -1.95 to -0.42, P=.002). CONCLUSIONS: Game-based eHealth interventions appear effective in reducing fatigue in individuals with chronic diseases. Further research is needed to reinforce these findings and explore their impact on specific diseases. Additionally, there is a lack of investigation into interventions beyond exergaming within the field of game-based learning.
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 | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,027 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».