Gestion de la douleur chez des enfants présentant des migraines ou des céphalées de tension : apport de la réalité virtuelle
Bibliographic record
Abstract
Les migraines et céphalées de tension font partie des maladies chroniques les plus fréquentes chez l’enfant et l’adolescent (Annequin, Dumas, Tourniaire, & Massiou, 2000). Plusieurs études mettent en évidence le fait que celles-ci ont impact conséquent sur la qualité de la vie de l’enfant (Powers, Patton, Hommel & Hershey, 2004). Compte tenu du fait que le traitement pharmacologique s’est montré partiellement efficace (Evers & Marziniak, 2010), les traitements psychologiques ont gagné une attention croissante. Bien que la réalité virtuelle (RV) soit principalement étudiée dans la gestion des douleurs aiguës par son potentiel distracteur, des études récentes suggèrent l’utilité de cette technologie dans les douleurs chroniques. Une application de la RV concernerait sa capacité à changer des cognitions liées à l'ajustement à la douleur, telles que la catastrophisation de la douleur et le sentiment d’auto-efficacité (e.g. Gutiérrez-Maldonado, Gutiérrez-Martínez, Loreto-Quijada & Nieto-Luna, 2012), et sa capacité à offrir un environnement d’apprentissage de techniques de relaxation (Shiri et al., 2013). Cependant, cela reste très peu investigué, que ce soit dans une population clinique ou pédiatrique. Notre projet vise donc à créer et à évaluer la pertinence d’un outil tel que la RV dans le traitement des migraines et des céphalées pédiatriques, d’une part par l’apprentissage de compétences de relaxation, et d’autre part le changement de cognitions impliquées dans l’ajustement à la douleur telles que la catastrophisation et le sentiment d’auto-efficacité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".