Exposure-Based Intervention in Virtual Reality to Address Kinesiophobia in Parkinson’s Disease: A Narrative Review
Notice bibliographique
Résumé
Background/Objectives: Physical activity alleviates symptoms and may slow Parkinson’s disease (PD) progression, yet many individuals with PD remain sedentary. Kinesiophobia, the fear of movement, may represent a significant but underexplored psychological barrier to physical activity in this population. Virtual reality (VR), already effective in phobias, may represent a promising approach to address this challenge. This review initially aimed to systematically examine exposure-based interventions in VR (E-IVR) directly targeting kinesiophobia in PD. Methods: Database searches using keywords such as “kinesiophobia,” “fear of movement,” and “VR” combined with “PD” yielded no eligible studies. Consequently, the scope was broadened to include populations with neurological or musculoskeletal conditions, and a narrative review format was adopted to synthesize the available evidence. Furthermore, relevant studies of interventions in VR applied in PD, although not specifically addressing kinesiophobia, are detailed to provide evidence of efficacy and feasibility of VR interventions in PD. Finally, directions are offered to support the creation of E-IVR targeting kinesiophobia in individuals with PD. Results: Meta-analyses in neurological and musculoskeletal populations demonstrate moderate to large reductions in kinesiophobia following VR interventions, although effects vary depending on assessment tools, degree of immersion, and exposure design. In PD, VR has been applied to rehabilitation, anxiety reduction, and quality of life enhancement. These interventions achieved high adherence (≥90%), were well tolerated, and reported no major adverse events. Conclusions: Kinesiophobia is prevalent in PD and could contribute to physical inactivity. E-IVR appears feasible, safe, and innovative for addressing kinesiophobia in people living with PD.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».