Accuracy and Optimization of Force Platform Gait Analysis in Labradors with Cranial Cruciate Disease Evaluated at a Walking Gait
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To determine the combination of ground reaction forces (GRFs) that best discriminates between lame and non-lame dogs. To compare the sensitivity of force platform gait analysis and visual observation at detecting gait abnormalities in Labradors after surgery for rupture of the cranial cruciate ligament (CCL). ANIMALS: All dogs were adult Labrador Retrievers: 17 free of orthopedic and neurologic abnormalities, 100 with unilateral CCL rupture, and 131 studied 6 months after surgery for unilateral CCL injury, 15 with observable lameness. PROCEDURE: Dogs were walked over a force platform with GRF recorded during the stance phase. Analytic properties of force platform gait analysis were calculated for several combinations of forces. The probability of visual observation detecting a gait abnormality was compared with that of force platform gait analysis. RESULTS: We determined that a combination of peak vertical force (PVF) and falling slope were optimal for discriminating sound and lame Labradors. After surgery, many dogs (75%) with no observable lameness failed to achieve GRFs consistent with sound Labradors. CONCLUSION: A force platform is an accurate method of assessing lameness in Labradors with CCL rupture and is more sensitive than visual observation. Assessing lameness with a combination of GRFs is better than using univariate GRFs. CLINICAL RELEVANCE: Therapies for stifle lameness can be accurately and objectively evaluated using 2 vertical ground reaction forces obtained from a force platform.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle