Virtual Reality Interventions of Daily Versus Weekly Data Collection in Patient-Reported Outcomes Among Adults With Cancer: Pilot Survey Study
Notice bibliographique
Résumé
Background: Virtual reality (VR) interventions are increasingly used in health care settings to improve patient-reported outcomes (PROs). PROs are commonly evaluated at weekly intervals with data collected via digital surveys. While weekly assessments have benefits, VR devices enable more frequent in-device data collection. It remains unclear whether PROs collected more frequently provide more information on these interventions than PROs collected more infrequently. Objective: This pilot study explored differences between daily and weekly PRO data collection in a VR intervention with nature imagery, with and without guided imagery, among patients with cancer. Methods: Patients with cancer (n=8) were randomly assigned to one of four intervention groups: (1) virtual reality-assisted guided imagery (VRAGI), (2) VR without guided imagery, (3) desktop VR with guided imagery, or (4) desktop VR without guided imagery. Devices were mailed to participants' homes for 15-20 minutes of daily use over 3 weeks. Weekly outcomes (pain, anxiety, depression, and well-being) were assessed using items from the Edmonton Symptom Assessment Scale. Daily outcomes were captured via in-device pre-post surveys. Data were analyzed descriptively, using visual trend comparisons to explore patterns. Results: Of 41 patients who consented, 8 provided complete and usable data. Weekly outcomes showed no consistent trends. In contrast, daily data revealed more nuanced patterns, such as early symptom relief, plateaus, and "double-bottom" effects. The addition of guided imagery did not consistently enhance outcomes beyond VR alone, although the VRAGI condition showed the greatest improvement in well-being. Given the small sample size, these findings should be considered exploratory. Conclusions: This pilot study suggests that daily PRO data might offer richer insight into intervention effects than weekly assessments. Further research with larger samples is needed to confirm these patterns.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».