A stochastic model of elbow flexion strength for subjects with and without long head biceps tear
Notice bibliographique
Résumé
The classical approach of musculoskeletal modeling is to predict muscle forces and joint torques with a deterministic model constructed from parameters of an average subject. However, this type of model does not perform well for outliers, and does not model the effects of parameter variability. In this study, a Monte-Carlo model was used to stochastically simulate the effects of variability in musculoskeletal parameters on elbow flexion strength in healthy normals, and in subjects with long head biceps (LHB) rupture. The goal was to determine if variability in elbow flexion strength could be quantifiably explained with variability in musculoskeletal parameters. Parameter distributions were constructed from data in the literature. Parameters were sampled from these distributions and used to predict muscle forces and joint torques. The median and distribution of measured joint torque was predicted with small errors (< 5%). Muscle forces for both cases were predicted and compared. In order to predict measured torques for the case of LHB rupture, the median force and mean cross-sectional area in the remaining elbow flexor muscles is greater than in healthy normals. The probabilities that muscle forces for the Tear case exceed median muscle forces for the No-Tear case are 0.98, 0.99 and 0.79 for SH Biceps, brachialis and brachioradialis, respectively. Differences in variability of measured torques for the two cases are explained by differences in parameter variability.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».