La réalité virtuelle comme antidouleur : une revue systématique de la littérature
Bibliographic record
Abstract
Chaque année, la douleur touche de plus en plus de patients les marquant ainsi dans leur vie personnelle, mais également professionnelle. Le traitement de la douleur demeure complexe, l’utilisation de la pharmacologie traditionnelle n’est pas sans risque de surdosage et d’accoutumance. Depuis plus de 20 ans, les acteurs de la santé et l’Union européenne collaborent afin de développer ce que l’on nomme aujourd’hui les thérapies numériques (digital therapeutics — DTx). Véritable enjeu pour notre système de santé actuel, ces thérapies innovantes peuvent être utilisées seules ou combinées à un médicament, un dispositif médical ou une thérapie, afin de maximiser les effets du traitement. Cet article propose une revue non exhaustive de l’utilisation de la réalité virtuelle, son origine et son fonctionnement. Des résultats significatifs ont été obtenus sur son action analgésique et de distraction à court terme, sur divers événements physiologiques comme les brûlures, la chirurgie cardiaque, le stress, les douleurs musculosquelettiques et neuropathiques. Toutefois, ce champ d’études reste vaste et nécessite des explorations (études) complémentaires sur les douleurs chroniques et aiguës, et l’interaction personne–machine.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.011 | 0.004 |
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".