Modelling Knee Range of Motion Post Arthroplasty: Clinical Applications
Notice bibliographique
Résumé
PURPOSE: To model change in knee range of motion (ROM) post total knee arthroplasty (TKA) and to show how this information can be incorporated into clinical decision making. METHOD: We applied a variable-occasion repeated-measures study design. Patients' knee flexion and extension ROM were assessed pre- and post arthroplasty over the ensuing 60 weeks. We examined change in ROM post TKA using linear and nonlinear mixed-effects modelling, and examined whether age, body mass index, prearthroplasty ROM, and gender were determinants of recovery in post-arthroplasty ROM. RESULTS: Of 93 eligible patients, 74 provided pre- and post-arthroplasty data. A random intercept nonlinear model fit the flexion data best, and a random intercept linear model fit the extension data best. Pre-arthroplasty ROM was found to be a determinant of recovery in ROM post arthroplasty. This finding was common to both flexion and extension models. CONCLUSIONS: Our study showed that the greatest improvement for knee ROM took place during the first 12 weeks post arthroplasty. Of the variables examined, only pre-arthroplasty ROM was a determinant of outcome (p<0.05). The study results provide clinicians with data to determine expected rates of improvement for patients as well as the projected maximum ROM, facilitating improved clinical decision making.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».