Using Three-Dimensional Gait Data for Foot/Ankle Orthopaedic Surgery
Notice bibliographique
Résumé
We present the case of a forty year old male who sustained a torn carotid during strenuous physical activity. This was followed by a right hemispheric stroke due to a clot associated with the carotid. Upon recovery, the patient's gait was characterized as hemiparetic with a stiff-knee pattern, a fixed flexion deformity of the toe flexors, and a hindfoot varus. Based on clinical exams and radiographs, the surgical treatment plan was established and consisted of correction of the forefoot deformities, possible hamstrings lengthening, and tendon transfer of the posterior tibial tendon to the dorsolateral foot. To aid in surgical planning, a three-dimensional gait analysis was conducted using a state-of-the-art motion capture system. Data from this analysis provided insight into the pathomechanics of the patient's gait pattern. A forefoot driven hindfoot varus was evident from the presurgical data and the tendon transfer procedure was deemed unnecessary. A computer was used in the OR to provide surgeons with animations of the patient's gait and graphical results as needed. A second gait analysis was conducted 6 weeks post surgery, shortly after cast removal. Post-surgical gait data showed improved foot segment orientation and position. Motion capture data provides clinicians with detailed information on the multisegment kinematics of foot motion during gait, before and during surgery. Further, treatment effectiveness can be evaluated by repeating gait analyses after recovery.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».