Changing Hormone Levels during the Menstrual Cycle Affect Knee Laxity and Stiffness in Healthy Female Subjects
Notice bibliographique
Résumé
BACKGROUND: Whether knee laxity varies throughout the menstrual cycle remains controversial. As increased laxity may be a risk factor for anterior cruciate ligament (ACL) injury, further research is warranted. HYPOTHESIS: Variation in estradiol and progesterone levels during the menstrual cycle influences knee laxity and stiffness. STUDY DESIGN: Case control study; Level of evidence, 3. METHODS: The serum estradiol and progesterone levels of 26 healthy female subjects were recorded in the follicular phase, ovulation, and the luteal phase. Knee joint laxity was assessed using a standard knee arthrometer at the same intervals. Stiffness changes in the load-displacement curve were determined. Hormone levels across the cycle were compared between responders and nonresponders, defined by whether changes in knee laxity at 89 N occurred. RESULTS: Greater laxity at 89 N during ovulation was observed (ovulation: 5.13 +/- 1.70 mm vs luteal: 4.55 +/- 1.54 mm, P = .012). In knee laxity testing at manual maximum load, greater laxity was noticed during ovulation (14.43 +/- 2.60 mm, P = .018), as compared with the follicular phase (13.35 +/- 2.53 mm). A reduction in knee stiffness of approximately 17% (ovulation: 12.48 +/- 5.46 N/mm vs luteal: 15.02 +/- 7.71 N/mm, P = .042) during ovulation was observed. However, there were no differences in hormone levels between responders and nonresponders at 89 N. CONCLUSION: Female hormone levels are related to increased knee joint laxity and decreased stiffness at ovulation. To understand subject variations in knee joint laxity during the menstrual cycle in female athletes, further investigation is warranted.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».