MétaCan
Menu
Retour à la cohorte
Enregistrement W4410949552 · doi:10.2196/67146

Home-Based Virtual Reality Training for Enhanced Balance, Strength, and Mobility Among Older Adults With Frailty: Systematic Review and Meta-Analysis

2025· review· en· W4410949552 sur OpenAlexvenueno aff
Hammad Alhasan, Elaf Alandijani, Lara Bahamdan, Ghofran Khudary, Yara Aburaya, Abdulaziz Awali, Mansour Abdullah Alshehri

Notice bibliographique

RevueJMIR Serious Games · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueFrailty in Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintMeta-analysisBalance (ability)Virtual realityPsychologyGerontologyPhysical medicine and rehabilitationMedicineComputer scienceHuman–computer interactionWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Background: Frailty is a geriatric syndrome associated with increased risk of falls, hospitalization, and reduced quality of life. Traditional exercises may be unsuitable for older adults with frailty due to mobility issues and accessibility barriers. Virtual reality (VR) offers an engaging, home-based alternative by providing interactive training with real-time feedback. VR interventions have shown potential benefits for improving balance, strength, and mobility. Objective: This systematic review and meta-analysis aimed to evaluate the effectiveness of VR-based home training programs in improving balance, strength, and mobility among older adults with frailty and prefrailty. Methods: A systematic search was conducted in PubMed, Scopus, and Web of Science from inception to November 1, 2023, using terms related to older adults, frailty, virtual reality, balance, mobility, and strength. Eligible studies included randomized and nonrandomized trials involving adults with frailty or prefrailty aged ≥65 years who received home-based VR interventions aimed at improving balance, strength, or functional mobility. Comparator groups included no intervention, traditional exercise, or standard care. Studies involving participants with neurological or cognitive disorders were excluded. Study quality was assessed using the Physiotherapy Evidence Database scale. A random-effects meta-analysis was performed to calculate pooled mean differences (MD) and 95% CIs for 3 primary outcomes: Berg Balance Scale, Timed Up and Go, and Chair Stand. Results: A total of 1063 records were identified, with 1023 screened after duplicate removal. Six studies met the inclusion criteria, involving 407 participants (mean age 75.2, SD 6.4 y), of whom 198 were allocated to VR interventions and 159 to control groups. VR interventions lasted a mean of 13.3 (SD 7.7) weeks, with an average of 39.6 (SD 5.2) sessions lasting 25.3 (SD 5) minutes. Methodological quality was high in 5 studies (mean Physiotherapy Evidence Database score=5.6, SD 1.3). Four studies were included in the meta-analysis. Significant improvements were observed in balance, as measured by the Berg Balance Scale (MD=3.62; 95% CI 2.29-4.95; P<.001; I²=0%). No significant effects were found for mobility (Timed Up and Go: MD=-0.37; 95% CI -1.16 to 0.41; P=.35; I²=0%) or strength (Chair Stand: MD=-0.20; 95% CI -1.70 to 1.29; P=.79; I²=21%). Conclusions: VR-based home exercise interventions show promise in improving balance among older adults with frailty and prefrailty. However, their effects on strength and functional mobility remain unclear. Variability in study designs and outcome measures limits the generalizability of current findings. Further high-quality research is needed to determine optimal VR training protocols and assess long-term adherence and clinical effectiveness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Méta-épidémiologie (sens large)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,654
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0160,002
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,347
Écart entre enseignants0,305 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetFrailty in Older AdultsTravaux en français237 207