Age, sex, body anthropometry, and ACL size predict the structural properties of the human anterior cruciate ligament
Notice bibliographique
Résumé
Anterior cruciate ligament (ACL) injury continues to be at the forefront of sports injury concerns because of its impact on quality of life and joint health prognosis. One strategy is to reduce the occurrence of this injury by identifying at-risk subjects based on key putative risk factors. The purpose of our study was to develop models that predict the structural properties of a subject's ACL based on the combination of known risk factors. We hypothesized that the structural properties of the ACL can be predicted using a multi-linear regression model based on significant covariates that are associated with increased risk of injury, including age, sex, body size, and ACL size. We also hypothesized that ACL size is a significant contributor to the model. The developed models had predictive capabilities for the structural properties of the ACL: load at failure (R2 = 0.914), elongation at failure (R2 = 0.872), energy at failure (R2 = 0.913), and linear stiffness (R2 = 0.756). Furthermore, sex, age, body mass, BMI, and height were contributors (p < 0.05) to all predicted structural properties. ACL minimal area was a contributor to elongation, energy at failure, and linear stiffness (p < 0.05), but not to load at failure. ACL volume was also a contributor to elongation and energy at failure (p < 0.05), but not to linear stiffness and load at failure models. ACL length was not a significant contributor to any structural property. The clinical significance of this research is its potential, after continued development and refinement of the model, for application to prognostic studies that are designed to identify individuals at increased risk for injury to the ligament.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».