The Influence of Pain Distribution on Walking Velocity and Horizontal Ground Reaction Forces in Patients with Low Back Pain
Notice bibliographique
Résumé
Objective. The primary purpose of this paper was to evaluate the influence of pain distribution on gait characteristics in subjects with low back problems (LBP) during walking at preferred and fastest speeds. Design. Cross-sectional, observational study. Setting. Gait analysis laboratory in a health professions university. Participants. A convenience age- and gender-matched sample of 20 subjects with back pain only (BPO), 20 with referred leg pain due to back problems (LGP), and 20 pain-free individuals (CON). Methods and Measures. Subjects completed standardized self-reports on pain and disability and were videotaped as they walked at their preferred and fastest speeds along a walkway embedded with a force plate. Temporal and spatial gait characteristics were measured at the midsection of the walkway, and peak medial, lateral, anterior, and posterior components of horizontal ground reaction forces (hGRFs) were measured during the stance phase. Results. Patients with leg pain had higher levels of pain intensity and affect compared to those with back pain only (t = 4.91, P < .001 and t = 5.80, P < 0.001, resp.) and walking had an analgesic effect in the BPO group. Gait velocity was highest in the control group followed by the BPO and LGP group and differed between groups at both walking speeds (F(2.57) = 13.62, P < .001 and F(2.57) = 9.09, P < .001, for preferred and fastest speed condition, resp.). When normalized against gait velocity, the LGP group generated significantly less lateral force at the fastest walking speed (P = .005) and significantly less posterior force at both walking speeds (P ≤ .01) compared to the control group. Conclusions. Pain intensity and distribution differentially influence gait velocity and hGRFs during gait. Those with referred leg pain tend to utilize significantly altered gait strategies that are more apparent at faster walking speeds.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».