Reliability of Ultrasound Measures of the Transversus Abdominis: Effect of Task and Transducer Position
Notice bibliographique
Résumé
OBJECTIVE: To assess the reliability of ultrasound (US) measures of the transversus abdominis (TrA) muscle in a sample of subjects with and without specific chronic low back pain and to test whether reliability is enhanced by using different abdominal muscle activation tasks, with use of a foam cube for US transducer stabilization or by averaging 3 measures on the same image. DESIGN: Cross-sectional repeated-measures design. SETTING: Laboratory setting. PATIENTS: Fifteen subjects with chronic low back pain and 15 control subjects. METHODS: Subjects (n = 30) performed 3 tasks in the supine position: (1) contralateral straight leg raise (SLR), (2) bilateral hook-lying leg raising (HLR), and (3) abdominal drawing-in maneuver (ADIM) (control subjects only). Two 7-second videos of the right and left abdominal wall (from rest to contraction) were collected, with and without use of the foam cube. One of the 2 raters repeated the testing 7 to 14 days later to assess intrarater reliability. MAIN OUTCOME MEASUREMENTS: US imaging of abdominal muscles thickness. RESULTS: The TrA muscle was recruited preferentially in the ADIM task compared with the automatic tasks (SLR and HLR). The reliability was comparable among the 3 tasks, with intrarater reliability results being better than interrater reliability results. The use of the foam cube or averaging measures on the same image was generally not effective to increase reliability. CONCLUSIONS: Although they are not as preferential in TrA recruitment as the ADIM, the SLR and HLR tasks showed comparable reliability results. The foam cube used to control transducer orientation and pressure and averaging measures on the same image had limited effect on reliability.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».