Sensitivity of clinical assessments of sagittal head posture
Notice bibliographique
Résumé
RATIONALE, AIMS AND OBJECTIVES: Historically, clinicians visually evaluate posture using anatomical landmarks. Advances in technology made digital photographs now feasible to use in clinical practice. Photogrammetry may increase the reliability of the assessment of postural changes. However, differences between visually estimated and photogrammetric recorded changes in posture need to be tested. The objective of this study was to evaluate the sensitivity of visual assessments of changes in head posture in the sagittal plane in relation to photogrammetric recorded data. METHODS: The head posture of 29 female subjects in a sagittal plane was assessed visually and photogrammetrically. The visual assessment of head posture was conducted using a postural grid with a plumb for checking the alignment. The patients were classified as having forward head posture (FHP), slight FHP or no FHP. Photogrammetry of head posture was performed using the Alcimage software (Alcimar B. Soares, Uberlândia, MG, Brasil). Three reference points were used to measure the head posture angle: mentus, external auditory meatus and manubrium. The visually classified groups were compared in relation to the photogrammetric angles using one-way ANOVA. RESULTS: A significant difference was found between the FHP and no FHP groups (P = 0.001), and between the FHP and slight FHP groups (P = 0.002). However, no significant difference was found between the slight FHP and no FHP groups. CONCLUSIONS: Visual assessments of sagittal head posture were sensitive to detect differences between no FHP and FHP groups, but were not sensitive to detect differences between no FHP and slight FHP groups. Head posture photogrammetry is recommended to quantitatively detect less evident differences in head posture.
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 | 0,045 | 0,112 |
| 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 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».