Evaluating the Impact of Immersiveness in Virtual Reality Simulations on Anxiety Reduction for MRI Procedures: A Preliminary Study
Notice bibliographique
Résumé
Magnetic Resonance Imaging (MRI) examinations are frequently associated with significant anxiety and phobias in patients, negatively impacting imaging quality and patient compliance. In this study, we explore the use of Virtual Reality Exposure Therapy (VRET) to reduce MRI-related anxiety by examining physiological and subjective responses across three virtual scenarios: a 2D video, a 360° video, and a fully immersive VR environment. The study aimed to determine how different levels of immersion and the order in which scenarios are experienced impact anxiety. Thirteen participants engaged in all three scenarios, with heart rate (HR), skin temperature (SKT), and electrodermal activity (EDA) monitored, and self-reported anxiety assessments collected before, during, and after the study. Results showed no significant differences in average or maximum heart rates between the three scenarios. However, the fully immersive VR environment generally elicited higher HR peaks, higher EDA, and lower SKT, suggesting stronger physiological responses in some participants. Self-reported anxiety decreased after the VR experience, particularly for participants with moderate to high anxiety levels prior to the sessions, independent of the scenario order. These findings suggest that individual responses to VRET vary, emphasizing the need for personalized approaches rather than a one-size-fits-all solution. While larger studies are necessary to validate these outcomes, the results suggest that incorporating real-time biofeedback monitoring in VRET could allow for dynamic adjustments to exposure levels based on participants’ physiological responses, creating a more adaptive and therapeutic environment.
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 | 0,000 | 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 ».