Trunk lean gait modification and knee joint load in people with medial knee osteoarthritis: The effect of varying trunk lean angles
Notice bibliographique
Résumé
OBJECTIVE: To evaluate whether increased lateral trunk lean toward the symptomatic lower extremity during gait in people with medial knee osteoarthritis (OA) immediately alters symptoms or medial knee load, as measured by the external knee adduction moment (KAM). METHODS: Participants with medial knee OA (n = 22) underwent 3-dimensional gait analysis to measure KAM peaks (early and late stance) and KAM impulse. Following the analysis of natural gait, participants were trained to lean their trunk toward the symptomatic leg during ipsilateral stance over 3 randomly ordered conditions (6°, 9°, and 12° lean). A projection screen displayed real-time trunk angles and target levels. Pain/discomfort in the knees, the hip, and the back were measured across conditions. Load-modifying effects of increasing lean magnitudes were investigated using linear mixed models. Mediating effects of peak lean timing and participant characteristics (pain and malalignment) were evaluated. RESULTS: Increased trunk lean reduced all KAM measures (P < 0.001), with larger lean angles achieving greater reductions. Efficacy of load reduction improved with later peak lean timing for all measures of the KAM. Participant characteristics did not mediate the effect of trunk lean on the KAM, and symptoms did not change across conditions (P > 0.05). CONCLUSION: Increased trunk lean reduced medial knee load in a dose-response manner. Slightly later achievement of peak trunk lean improved the load-modifying effect of this gait strategy. No immediate symptomatic changes were identified. Future research should determine if long-term implementation of this gait strategy is feasible and whether it can modify disease symptoms and OA progression.
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 | 0,000 |
| 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 ».