Effects of Virtual Reality Therapy for Patients With Breast Cancer During Chemotherapy: Randomized Controlled Trial
Notice bibliographique
Résumé
Background: Patients with breast cancer endure high levels of psychological and physical pain. Virtual reality (VR) may be an acceptable, safe intervention to alleviate the negative emotions and pain of patients with cancer. Objective: We aimed to test the long-term effects of VR on psychological distress and quality of life (QOL) with traditional care in Chinese patients with breast cancer. We also explored the intervention mechanism and the acceptability of VR. Methods: A total of 327 eligible participants were randomly assigned to a VR intervention group or a control group. The Distress Thermometer, QLQ-C30 (Quality of Life Questionnaire version 3.0), and Virtual Reality Symptom Questionnaire were assessed at baseline, postintervention (3 mo), and follow-up (6 mo). Analysis followed the intention-to-treat (ITT) principle. The generalized estimating equations model was used to analyze the longitudinal data, and the PROCESS macro was used to analyze the mediating effect. Results: Compared with the control group, patients with breast cancer in the VR group had lower distress scores (P=.007), and higher health-related QOL scores (physical, role, emotional, cognitive, and social functioning) after 6 months (P<.05). Psychological distress had mediating effects on the longitudinal association between VR and the health-related QOL (indirect effect=4.572-6.672, all P<.05). Conclusions: VR intervention technology may help reduce distress and improve QOL for patients with breast cancer over time. By incorporating a mediating analysis, we showed that the QOL benefits of VR intervention was manifested through positive effects on psychological distress risk factors.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».