MétaCan
Menu
Retour à la cohorte
Enregistrement W2064976834 · doi:10.1088/0967-3334/26/6/006

Can mechanical myotonometry or electromyography be used for the prediction of intramuscular pressure?

2005· article· en· W2064976834 sur OpenAlexaff
Rami K. Korhonen, Arved Vain, Esko Vanninen, Ragnar Viir, Jukka S. Jurvelin

Notice bibliographique

RevuePhysiological Measurement · 2005
Typearticle
Langueen
DomaineMedicine
ThématiquePain Management and Treatment
Établissements canadiensUniversity of Calgary
Organismes subventionnairesTekesStryker
Mots-clésElectromyographyPhysical medicine and rehabilitationMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

The aim of the study was to characterize the electromechanical properties of skeletal muscle during isometric loading as well as to assess the potential of estimating intramuscular pressure by electrical and mechanical methods. Simultaneous electromyography (EMG), mechanical myotonometry (MYO, frequency and decrement of decay) and intramuscular pressure (IMP) measurements were conducted at rest and during short-term and long-term isometric contractions in patients with chronic pain in the anterior leg or dorsal forearm. The EMG amplitude and MYO(freq) accounted significantly (24-73%, p < 0.0001) for the variations in the IMP under short-term isometric loading. The IMP, EMG and MYO(freq) increased linearly with the relative muscle load (r = 0.868-0.993, p < 0.05). Mean values of EMG amplitudes at the contraction levels of 75% and 100% maximum voluntary contraction (MVC) and MYO(freq) values at all contraction levels (0-100% MVC) were higher for subjects with pathological values of IMP than for those with IMP values in the normal range. Total changes in IMP and EMG amplitude during 1 min isometric contraction were linearly interrelated (r = 0.747, p < 0.0001). We conclude that both surface electromyography and myotonometry parameters are indicative of intramuscular pressure, but neither of these methods can be used alone to diagnose non-invasively chronic compartment syndrome with acceptable accuracy.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,020
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,002
Communication savante0,0010,002
Science ouverte0,0010,000
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,284
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations70
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysiological MeasurementMême sujetPain Management and TreatmentTravaux en français237 207