The psychological impact of virtual reality exposure on phobias in treatment-resistant patients
Notice bibliographique
Résumé
Can virtual reality technology offer hope for individuals who have not responded to conventional phobia treatments? This research examined the effectiveness of immersive virtual reality exposure therapy for patients with specific phobias who had previously failed to respond to traditional cognitive-behavioral interventions. A total of 156 treatment-resistant patients participated in a 12-session virtual reality exposure protocol conducted at the Toronto Institute of Behavioral Sciences between September 2018 and August 2020. Participants presented with various specific phobias including acrophobia (n=37), arachnophobia (n=30), claustrophobia (n=28), aviophobia (n=24), social phobia (n=22), and other specific phobias (n=15). The intervention utilized customized virtual environments that progressively increased exposure intensity based on individualized fear hierarchies. Primary outcomes included the Subjective Units of Distress Scale and the Fear Survey Schedule, administered at baseline, after every fourth session, and at three and six-month follow-ups. Results demonstrated substantial fear reduction across all phobia categories, with mean decreases ranging from 32.9% to 58.7% from baseline to treatment completion. Arachnophobia patients showed the strongest response, achieving average fear reduction of 58.7% by session twelve. Importantly, treatment gains remained stable at follow-up assessments, with only modest deterioration observed (mean decrease of 4.2% from post-treatment to six-month follow-up). Regression analysis identified baseline fear severity, treatment expectancy, and presence of comorbid anxiety as significant predictors of treatment outcome. The findings indicate that virtual reality exposure represents a viable alternative for patients who have exhausted conventional treatment options. These outcomes suggest that the immersive qualities of virtual environments may overcome barriers that limit effectiveness of imagination-based exposure or in-vivo techniques in treatment-resistant populations.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».