The Effect of Averaging Multiple Trials on Measurement Error During Ultrasound Imaging of Transversus Abdominis and Lumbar Multifidus Muscles in Individuals With Low Back Pain
Notice bibliographique
Résumé
STUDY DESIGN: Clinical measurement, reliability study. OBJECTIVES: To investigate the improvements in precision when averaging multiple measurements of percent change in muscle thickness of the transversus abdominis (TrA) and lumbar multifidus (LM) muscles. BACKGROUND: Although the reliability of TrA and LM muscle thickness measurements using rehabilitative ultrasound imaging (RUSI) is good, measurement error is often large relative to mean muscle thickness. Additionally, percent thickness change measures incorporate measurement error from both resting and contracted conditions. METHODS: Thirty volunteers with nonspecific low back pain participated. Thickness measurements of the TrA and LM muscles were obtained using RUSI at rest and during standardized tasks. Percent thickness change was calculated with the formula thickness(contracted) - thickness(rest)/thickness(rest). Standard error of measurement (SEM) quantified precision when using 1 or a mean of 2 to 6 consecutive measurements. RESULTS: Compared to when using a single measurement, SEM of both the TrA and LM decreased by nearly 25% when using a mean of 2 measures, and by 50% when using the mean of 3 measures. Little precision was gained by averaging more than 3 measurements. CONCLUSION: When using RUSI to determine percent change in TrA and LM muscle thickness, intra examiner measurement precision appears to be optimized by using an average of 3 consecutive measurements.
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 | 0,006 | 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 | 0,000 |
| 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 ».