A quantitative synthesis of VR-based treatments for convergence insufficiency: A systematic review
Notice bibliographique
Résumé
Purpose: Convergence insufficiency (CI), a common binocular vision disorder, impairs near eye alignment, causing eyestrain, headaches, and blurred vision. This systematic review aims to synthesize quantitative evidence on the efficacy of virtual reality (VR)-based treatments for CI, comparing their effectiveness to traditional therapies (e.g., pencil push-ups, office-based vision therapy) and assessing clinical outcomes and patient engagement. Methods: Following PRISMA 2020 guidelines, we searched PubMed, Scopus, and Web of Science (2000–2025) for randomized controlled trials (RCTs) and observational studies on VR-based interventions for CI. Inclusion criteria included CI diagnosis, VR interventions, and quantitative outcomes (near point of convergence [NPC], positive fusional vergence [PFV], Convergence Insufficiency Symptom Survey [CISS] scores). Study quality was evaluated using the Cochrane risk of bias tool and Newcastle-Ottawa Scale. Meta-analyses employed random-effects models, with heterogeneity (I²) and publication bias (Egger’s test) assessed. Results: From 342 articles, 12 studies (7 RCTs, 5 observational, n=589, ages 7–35) were included. VR interventions (headsets, anaglyph systems, gamified platforms) yielded moderate effect sizes (SMD=0.48–0.65), with NPC reductions of 2.5–4.8 cm, PFV increases of 8–12 prism diopters, and CISS score reductions of 10–15 points, outperforming traditional therapies. Compliance was higher (80–95%) with VR due to immersive engagement. Moderate heterogeneity (I²=45–60%) and minimal publication bias (p>0.05) were observed. Conclusion: VR-based treatments are promising for CI, offering enhanced outcomes and compliance. Larger, standardized trials are needed to confirm efficacy and address accessibility.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».